Produktivitets Cycle: Transarbeidsstyrken fra en kostnad til en Profit Center

Merk: Bildene fra den opprinnelige teksten er utelatt i denne teksten versjonen

Kortfattet sammendrag

Firma fortjeneste er drevet, direkte eller indirekte, ved utførelsen av
hver ansatt. Kan brukes ytelsesdata for bestemte stillinger, nøye utvalgte fra
tilgjengelige beregninger, for å forbedre hver ansatt. Produktive ansatte
vil i sin tur øke produksjonen av en stilling som helhet, noe som vil føre til
økte selskapets fortjeneste. Men jobben effektivitet kan bare maksimert gjennom
bruk av riktige resultattall som nøyaktig definerer suksess i en
bestemt posisjon på individnivå.

gir Denne stortingsmeldingen konkrete skritt for å hjelpe deg med å identifisere sterkeste
ansatt ytelsesdata, deretter forvandle disse dataene i en repeterbar prosess
som vil øke posisjonen produktiviteten til sitt fulle potensial gjennom
ansettelser, opplæring og utvikling av medarbeidere. Før du vet ordet av det, blir din arbeidsstyrke
motoren som driver overskuddet til nye nivåer.

Konvertering Ytelse til profitt dollar

Kan jeg dele en dyp, mørk hemmelighet? Jeg er forferdelig når det gjelder farge
koordinering. Du vil ikke tro hvor mange ganger jeg er blitt fortalt, “ Det antrekket
doesn &';. T kamp &"; Hver gang jeg hører kritikken, finner jeg meg selv å tenke, “ Hva er
de snakker om? Det ser flott ut for meg &"!; På den lyse siden, noen svært
smart oppfant fargehjulet for folk som meg. Det fine med fargehjulet
ligger i sin enkelhet. Dette godt designet modellen representerer ikke bare primær
farger, men det illustrerer også hvordan de henger sammen og hvilke farger
utfyller hverandre.

I motsetning til fargehjulet, mange ganger i næringslivet vi overcomplicate våre
bemanningsmodeller ved å bruke gale strategier, stiplede linjer strukturer, kompliserte
kompetanse, eller andre populære forsøk på å øke produktiviteten i
arbeidsplassen. Noen ganger kompliserte løsninger er det beste svaret. I motsetning til
disse kompliserte modeller, gir Produktivitet Cycle (vist til venstre)
konkrete skritt for å hjelpe deg med å katalogisere ansatt ytelsesdata, deretter forvandle
denne informasjonen inn i et system som øker posisjon produktivitet og stasjoner
fortjeneste for organisasjonen.

Du vil finne at produktivitets Cycle gir en enkel visuell
representasjon av de nødvendige trinnene for å justere folk og fortjeneste. Liker fargen
rattet, inneholder midt i syklusen de primære stadier: Katalog, Transform, Kjøpe og systematisere. Hver scene er støttet av sekundære handlinger som veileder brukeren
rundt hjulet. Disse trinnene er representert med ulike nyanser av fargen
innenfor hver primære stadium. Du fremgang klokken rundt Produktivitet Cycle
som du flytter arbeidsstyrken i et profit center.

Katalog

Ved å katalogisere de tilgjengelige ytelsesmål, begi deg på banen
maksimere ytelsen til ditt folk. Men du må vite hvor du er
før du kan finne ut hvor du skal gå. Dette prinsippet gjelder for dine
ytelsesdata. Den første fasen, det grønne området i modellen, er designet for å
bidra til å identifisere og forstå ytelsesdata som gjelder en enkeltperson i
en bestemt posisjon

Læringsmål
• Lær å klassifisere ulike typer beregninger som er viktige for bedriften ansattes ytelse
• Lær hvordan å samle de riktige ytelsesdata på riktig måte for bedriften øke nøyaktigheten av dine funn
• Lær å formulere de tøffe spørsmål som hjelper deg velge hvilke data beste
fremmer lønnsomhet gjennom mennesker.

Gi

Den enkleste måten å forstå ytelsesdata er å vise det på et kontinuum.

Soft Metric: Hva er det

Soft beregninger, på venstre ende av kontinuum, beskrive noen evalueringsmetode Hotell som er sterkt avhengig av en person &';? s dom. Myke beregninger kan ta mange former, etter en av de mest grunnleggende vesen når en veileder rangerer ansatte fra “ beste
utøver &"; til “ verste utøver &"; basert på veileder &'; s mening. Et annet
eksempel kan ta form av en subjektiv etiketten. Dette scenariet ville innebære en
subjektive rangering av hver ansatt (Good, Better, Best, eller A, B, C, etc.).
Vanligvis er det ikke mye vitenskap pakket rundt denne prosessen. Praktisk talt, ville en
veileder sitte ned, tenker tilbake til deres oppfatning av individ
ytelse, og påfør en subjektiv etikett basert på mening og svært lite, om
noen, objektive kriterier. Når jeg ser denne evalueringen metoden, jeg liker å kalle det
“ Jeg vet at mine folk &"; tilnærming.

For å justere dine ansatte med lønnsomhet, bør du bare bruke myke beregninger som
en kortsiktig løsning og et første skritt mot mer nøyaktige resultater
tiltak. Myke beregninger kan brukes i plassert av reelle data i situasjoner hvor
det er ingen data tilgjengelig, men på lang sikt bør du flytte til systemer
eller programmer som erstatter subjektivitet med objektiv vurdering av ytelse. Anmeldelser Myke beregninger bør ikke brukes i stedet for ytelsesdata som er knyttet
direkte til faktiske ytelsen på jobben. Jeg har observert mange bedrifts
ledere som følte at de hadde et svært stramt grep (uten faktiske data) på Twitter som sine beste og verste artister var. Hver gang vi sammenlignet
utøvende oppfatningen mot faktiske resultater, var det en betydelig frakobling
mellom persepsjon og virkelighet basert på dataene. Poenget er å flytte
organisasjonen bort fra å ta “ Jeg vet at mine folk &"; tilnærming så raskt som
kan

Ytelse Appraisal. Hva er det

I midten av kontinuum, finner vi en av de mest populære formene? av
evaluering: medarbeidersamtalen. Dokumenteres dette skiftet bort fra rene myke beregninger
representerer en avhengighet av subjektive meninger, men de meningene
ved hjelp av en standardisert evaluering. La meg forklare nærmere. Denne metoden for
evaluering innebærer en person som besitter førstehånds kunnskap om hver
ansatt &'; s daglig ytelse. Imidlertid skiller medarbeidersamtalen
mennesker gjennom bruk av standardiserte formater som fange opp ytelses
oppfatninger.

For eksempel er en veileder som følger med en form som fanger jobb komponenter
eller kritiske aspekter av stillingen som har blitt studert og bevist viktig for bedriften å lykkes i rollen. Disse jobb komponenter kan inneholde elementer som arbeidsmoral plakater (pålitelig oppmøte, flid i etterarbeid, positiv holdning),
kommunikasjonsferdigheter (formidler ideer klart, løser konflikter), eller Project
Management (møter tidsfrister, organisert). Veileder vil faktisk rangere
ansatte en av gangen på hver kritisk del av jobben. Eksempelytelses
karakterer kan være “ Ineffektive &"; til “ svært effektiv, &"; eller bruke en numerisk skala fra
fra 1 til 5, eller dekke et område fra « Ikke oppfyller forventningene &"; til « Overgår til forventningene, &"; eller tusenvis av andre varianter. Denne tilnærmingen dokumenterer
områder hvor ansatte har det bra, samt hvor de kan trenge
forbedring, gjennom et standardisert system som overs generelle oppfatningen
i spesifikke karakterer om faktiske sider ved jobben.

En medarbeidersamtale verktøyet kan være en effektiv måte å fange vurderingene av
styring i forhold til ansattes ytelse. Avgrensningsbrønner er en populær form for
ytelse evaluering fordi i mange stillinger det er vanskelig å kvantifisere
ytelse på individnivå. Faktisk, studerte vi en prøve av 37,055
mennesker i 487 forskjellige stillinger i ulike selskaper og fant at 69% av
disse stillingene stolt på ytelsen evalueringsverktøy som sin primære form for
måling. I tillegg medarbeider verktøyene gir en fleksibel metode
å kvantifisere resultater basert på meningene til de som observerer de
ansatte på jobb – primært sine ledere

Vær oppmerksom på mulige klissete problemstillinger knyttet til. medarbeidersamtaler.
Selvfølgelig er en slik sak den subjektive natur av evalueringen. Dette
vekt på mening introduserer ofte uoverensstemmelser mellom ulike
organisatoriske grupperinger, som for eksempel geografi, avdelinger og steder. For
eksempel kan en leder i ett område av landet har en tendens til å rangere monopolistene mye
lavere enn ledere i andre områder. Dette kan gjøre evaluere ansatt
ytelse på tvers av ulike grupper vanskelig. Et lignende problem kan finnes
når medarbeidersamtalen motsier andre resultattall. Denne mangelen
av stilling ofte til uoverensstemmelser mellom ledelses mening og Selge numerisk ytelse. Det kan være en rekke årsaker til manglende
justering, men det er alltid et stort potensial for inkonsekvens når menneskelig
mening er i sentrum av evalueringsprosessen.

Selv om en forestilling Evalueringen er et populært verktøy, mange selskaper er ført
villspor av enkelhet og enkel distribusjon i hele selskapet. Hvis du
er virkelig forfølge en justering av dine ansatte til å tjene, bør du gjøre
alt i din makt for å gå rett til kilden — tallene. Mange
selskaper gjør en veldig god jobb med å skape medarbeider systemer. Dataene
samlet inn fra disse systemene er av høy kvalitet og som lyd som kan være. Men når
medarbeider resultater for den enkelte ansatte i forhold til Home faktiske produksjonen tall (i tilfeller hvor karakterer ikke er basert på tallene),
det kan være noen sammenheng, og presenterer ofte en negativ forholdet. Vær
sikker på at du ikke stole utelukkende på karakterer. Utfordre deg selv for å finne måter
å evaluere jobber med faktiske data

Hard Metric:. Hva er det

Den rette enden av kontinuum representerer harde beregninger?. En hard metrisk er best
rives som objektive data som direkte representerer kvantifiserbar informasjon
Slike beregninger er vanligvis knyttes direkte til en organisasjon &'; s. Bunn
linje. Noen eksempler på disse beregningene inkluderer throughput tall, besvarte anrop, etter andel av kvoten, kvalitet score, antall solgte enheter, totalt salg, gjennomsnittlig
håndtaket tid, eller ethvert tiltak direkte knyttet til arbeidsytelse. Hard beregninger
gi verdifull innsikt i den numeriske produktiviteten av en person i
nesten alle posisjoner. Fra et selskap &'; s perspektiv, appellen til harde beregninger
stammer fra objektivitet av dataene. Harde beregningene er ikke justert eller
påvirket av menneskelig mening. Så lenge rollen forblir den samme, og dataene er
samles inn på samme måte, harde beregninger er en pålitelig resultatmål.

Du vil komme over noen jobber som ikke ser ut til å ha klart, harde
beregninger. I denne situasjonen vil jeg oppfordre deg til å huske uttrykket “. Arbeid =
utgang &"; Hva vi får betalt for kalles arbeid fordi det er en forventet
utgang. Det er bare et spørsmål om å samle informasjon rundt de ferdighetene; Eksporter egenskaper, ansvar, oppgaver og forventninger til jobben. Deretter bruke denne
informasjonen til å opprette måter å kvantifisere produksjonen av posisjon og
systematisk samle inn ytelsesdata. Med litt tid, krefter og Selge kreativitet vil du finne at nesten alle posisjoner kan være numerisk klassifisert
i form av harde beregninger.

Samle

Nå som du vet hvordan man skal klassifisere ytelsesdata, er første skritt å samle
dataene. Senere vil vi være i stand til å vurdere sin nytte. Har du noen gang hørt
ordtaket, “ Djevelen er i detaljene og " ;? På samme måte kan din evne til å forvandle
arbeidsstyrken fra en utgift til et profit center bli avsporet raskt under
handlingen trinn i datainnsamlingen. Før innsamling av data, må du
noen forholdsregler for å sikre konsistens, nøyaktighet og tilgjengelighet av
datainnsamlingen vil ikke påvirke interpretability av det metriske.

konsistens datainnsamlingsprosessen er meget viktig. Alle involverte
i datainnsamling bør forstå og forholde seg til de nærmere av dataene
innsamlingen. Inkonsekvent datainnsamlingsmetoder vil føre til unøyaktige
sammenligninger mellom enkeltutøvere. Vær spesielt oppmerksom på plassering eller
regionale forskjeller. Unøyaktige evalueringer av ytelsen vil forurense noen
fremtidige funn og redusere effekten av dine fremtidige justeringer. Tenk
av konsistens i form av en enkel illustrasjon. Hvis jeg spør hele mitt distrikt
ledere til å gi meg sine omsetningstall, kan jeg få prosenter fra hver
distriktssjef, men tallene kan bety mange forskjellige ting. Noen kan ha
gitt meg en årlig omsetning, noen omsetning for en enkelt måned, og andre kan ha
gitt meg ufrivillig omsetningen bare. Poenget er å være forsiktig og sikre dine
datainnsamling prosesser kjøre konsistens.

Nøyaktighet av ytelsesdata blir samlet inn er også en viktig fase av
innsamlingsprosessen. Nøyaktighet må være en prioritet når man tolker enkelte
ytelse. Senere i denne prosessen, vil unøyaktige data føre til falske
konklusjoner og dårlige beslutninger når evaluere og utvikle dine ansatte.
Tenk på uriktige opplysninger som fiende av transarbeidsstyrken. Etter at du
har samlet inn data, kan du bruke disse “ røde flagg &"; for å varsle deg om potensielle
unøyaktigheter i data:

• Ufullstendige data eller tilfeller der det er vanlig å finne noe informasjon
• Bruken av “ 0. &"; Er at “ 0 &"; representerer faktiske ytelsen eller en tom oppføring
• Data presentert i en rekke forskjellige formater, og ndash; for eksempel er halvparten av den
data presentert i prosenter og halvparten som runde tall.
• Odd uteliggere – for eksempel de fleste tilfellene i et datasett inneholder
ensifrede resultatmål, men noen tilfeller vise trippel sifrede tiltak
• Etiketter ikke samsvarer med data – for eksempel “ Dollars Solgt &"; er etiketten, men
dataene blir presentert i prosenter
• Konflikter i kolonner – for eksempel en ansatt med en september leie dato har
ytelses data registrert fra mars samme år.

En annen faktor å vurdere er tilgjengeligheten av ytelsesdata.
Sofistikert human resource informasjonssystemer (HRIS), lønnssystem, og Selge ytelse Styringssystemer er nyttige verktøy, så lenge du har enkel tilgang
til dataene. Unngå situasjoner der dataene er vanskelig å samle inn og studere.
Alt for ofte selskapene fokuserer på å samle inn ytelsesdata på aggregert
nivå og unnlate å samle inn og studere det på individnivå. Hvorvidt
data er prestasjonsvurderinger, kvalitetspoeng, eller salgstall, sørg for at
datainnsamlingssystemer er knyttet til individuelle prestasjoner.

En annen verdifull tips for å vurdere når samle en forestilling beregning er
antall datapunkter, eller ansatt observasjoner, representert i datasettet.
Når det er mulig, er det en fordel å ha tilgang til flere observasjoner av
ytelsesdata. For eksempel vil månedlige observasjoner være rikere enn en
enkel årlig total eller gjennomsnittet for året. Hver gang data samles, etter det er en sjanse for at du vil miste noe verdifull informasjon som kan være
nyttig for å forstå ytelses trender knyttet til stillingen. Når
samle dine data, alltid fokus på målet, som er å få tak i den fra BEST data som vil føre til den rikeste mengde informasjon.

Nå er det på tide å samle inn data. Anvende prinsippene du har lært om
ytelsesdata for å samle den reneste datasett som du kan. Det er en god
praksis å begynne med shoot mengden data du ville rimelighet kan forvente
å bruke. Samle mange typer beregninger og former for resultatdata for hver
posisjon. Denne praksisen gir deg flere tiltak av ytelse, men mer
viktigere, det hjelper deg å velge den beste kombinasjonen av ytelsesindikatorer
ved å tilby alternativer (forskjellig ytelse data) som vi vil diskutere senere.

Velg

Etter forestillingen data er samlet inn, er det flere valg du
må gjøre for å bidra til å identifisere den beste beregningen (e) å fokusere på. For å gjøre
de beste valgene, er det et par ting du bør vurdere. Konkret betyr det
data du fanget reflektere variasjon, jobb-slektskap, og et forhold til
virksomhetens mål (holde lesing for en forklaring av disse begrepene)?
Gjennom denne prosessen, er det viktig å forstå at så snart
resultatberegningen er spesifisert, vil den begynne å forme og veilede retning
av arbeidsstyrken. Alle fremtidige resultater, evaluering og utviklings
aktiviteter i den posisjonen vil bli direkte påvirket av det metriske.
Derfor velger de riktige beregninger for å følge er en viktig faktor for å
drive fremtiden for bedriften din.

Variasjon er å sikre at data metriske representerer alle ytelsesnivåer
Spør deg selv dette spørsmålet: Har det metriske skille mellom individer og'
ytelsesnivåer.? Ofte er resultattall konsekvent samlet Hotell og nøyaktig, men de mangler variasjon i ytelse score. Gang jobbet jeg
med et selskap som insisterte på en bestemt kvalitet vurdering var den viktigste indikatoren
av ytelse for sine kundesenteret representanter. Ved nærmere gjennomgang av
data, fant vi at den gjennomsnittlige poengsum var nesten 100%, med bare en håndfull av
monopolistene som fikk en lavere score på 98-99%. Denne informasjonen gir ingen nyttig
måling fordi det innebærer at hver ansatt utfører på samme høye
nivå, uten avvik for å fremheve spesifikke ytelseshensyn. Enhver
bedriftsleder ville ha en hard tid å velge en beregning uten variasjon,
derfor denne typen data har liten, om noen, reell verdi

Job slektskap er en annen viktig sak å vurdere. når du velger den beste
data å forme din fremtid arbeidsstyrke. Bestem hvor mye innflytelse en
individ har på resultatberegningen. I alle tilfeller er direkte innflytelse
beste. Jo mindre innflytelse monopolistene har på det metriske, jo mindre beskrivende det
er av deres faktiske ytelse. I en ideell situasjon, vil du ha stor
tillit til at resultatene data er relatert til jobben, og at hver
påhviler er i stand til å påvirke den beregningen direkte.

For eksempel, en bilforretning kan spore antall biler som er solgt av sine
selgere, samt hvor mange av disse solgte biler blir returnert til Home forhandler &'; s serviceavdeling for reparasjoner. Når vi leter etter jobb-relaterte salgs
beregninger, er den tidligere tiltaket bra, men sistnevnte er relatert til salg. Betyr
en selger ha en innflytelse på den mekaniske soliditeten i bilen han selger?
Nei, bare han har kontroll over salgsprosessen. Stole på en beregning med lite
forhold til selve jobben aktiviteter vil føre til unøyaktige konklusjoner.
Tillegg bør tenkemåte være i jakten på sannheten som gjelder reell
ytelse på daglig basis. Denne sannheten kan bare bli funnet hvis dataene er
relatert til ytelse i den posisjonen

Forretnings drivere og mdash;. Det er på tide å tenke strategisk! Tenk i form av den
retningen du ønsker å ta virksomheten din, og deretter posisjonsspesifikke
beregninger vil flytte hver posisjon i den retningen. Justering kan finnes ved
arbeider bakover. Spør deg selv hvordan hver posisjon passer inn i din virksomhet
strategi eller bidrar til økonomisk utvikling. Deretter bestemme
individuelle ytelsesmål som best innretter til stillingen, og lar deg
følge utviklingen mot å nå virksomhetens mål. Det vises igjen til vår
bil selger eksempel kan en sterk virksomhet driver være “ antall biler
selges &"; Hvis den ikke drive bunnlinjen fortjeneste, bør det ikke være en hjørnestein
av resultatdataene.

Evaluering av dine individuelle ytelsesdata i form av variasjon, blir
jobbrelatert, og å være en virksomhet driver er et viktig strategisk skritt i
prosessen med å transformere arbeidsstyrken fra en utgift til et profit center, etter og dermed direkte forbedre produktiviteten til folk i å drive din
virksomhet.

Sammendrag: Finne Ideell Ytelsesdata for en posisjon

Nå som vi har utforsket Catalog scenen, har du lært hvordan du:
• Klassifisere ytelsesdata i henhold til hva som er tilgjengelig, nyttig og Selge gjennomfør
• Samle inn data fra enkeltutøvere i en bestemt posisjon
• Velg ytelsen data som gjenspeiler variasjon, jobb-slektskap, og en
forhold til virksomhetens mål.

På dette punktet, bør du ha resultatdata valgt og samlet for hver
målrettet posisjon slik at du kan slå denne kunnskapen inn i bygningen blokker
for en posisjons bestemt mal.

Transform

Som tidligere nevnt, målet med denne meldingen er å hjelpe deg med å identifisere
sterkeste ansattes ytelse data, deretter forvandle disse dataene i en repeat
prosess som vil maksimere produktiviteten. I den siste delen klassifisert vi, etter samlet, og valgte de sterkeste tiltak av ansattes ytelse. Vi
nå undersøke Transform fase av prosessen der resultatene dataene
tilpasset de faktiske jobb atferd sterkt knyttet til suksess i den posisjonen.
Ved å bestemme hvilke egenskaper som er viktigst for god ytelse, vi Deretter kan
bygge en posisjon mal som organiserer disse egenskapene, og deretter oversette det
posisjon mal i ønsket atferd som er spesifikke for jobben. Transform
fase bringer deg nærmere den ideelle arbeidsstyrke som driver lønnsomhet for
organisasjonen.

Læringsmål

• Lær å gjenkjenne viktige egenskaper som forteller deg hvordan en person er vellykket i en
posisjon
• Få tips om hvordan du oppretter en jobb nivå posisjon mal som er rettet mot de
trekk nødvendig for å lykkes
• Lær å oversette de egenskapene i en posisjon mal i jobbrelaterte
atferd som gjenspeiler de som er å produsere mer, og kontrast sine
atferd med mindre produktive individer.

Traits

På dette punktet i Productivity Cycle, har vi fokusert på det kritiske aspektet
av katalogiseytelsesdata. Selv om ytelsen data indikerer
resultat av hver person &'; s innsats, betyr det ikke fortelle deg hvordan de oppnådd sine
resultater, vil heller ikke fortelle deg hvordan interne eller eksterne kandidater til
stillingen vil utføre på jobben. Derfor må vi bruke tid på å diskutere
den første komponenten i Transform fase —. Identifikasjon av egenskaper

Behaviors, eller egenskaper, som kjøring ytelse er best bestemmes av “ la
data taler &" ; i motsetning til å lage “ kvalifiserte gjetninger &"; En tid-testet metoden for
identifisere egenskaper, ferdigheter og andre relevante deler av jobbrelatert informasjon
kommer fra bruken av en jobbanalyse. En jobb analyse samler ledetråder til hva
er nødvendig å utføre en jobb.

Det finnes mange metoder for å analysere en jobb. En vanlig metode er å sende ut en jobb
spørreskjema til eksperter i rollen, ber dem om å dokumentere sin mening om
de viktige oppgavene eller egenskaper som trengs for å være vellykket. En annen metode er å
manuelt observere og dokumentere de egenskapene som trengs for å lykkes. Men du pakker
det, er den grunnleggende idé å manuelt studere og dokumentere aspekter av jobben. En jobb
analysen gir solid informasjon om minimums kvalifikasjoner og ferdigheter
nødvendig for en rolle. Men en typisk jobbanalyse vil bommer når du ønsker
å samle en dypere innsikt i de faktiske utøvere i en posisjon. Nevnte
en annen måte, vil en jobbanalyse ikke gi deg et redskap til « komme i hodene &";
av dem som er vellykket og sammenligne dem med de som ikke lykkes i
en rolle

Det er viktig å ikke forveksle minimumskompetanse med faktiske prediktiv
ytelse. Mange gjør den feilen å anta at å møte minimums
kvalifikasjoner er mållinjen. For eksempel kan en jobbanalyse viser at
det er nødvendig for etablerte aktører å drive en bestemt telefonsystemet. Etter
andre dag med trening, alle forstår telefonsystemet og kan
effektivt betjene den. Selv om du bruker telefonen er avgjørende for daglig
ytelse, det viser ingen sammenheng med ekte suksess på jobben. Å være
stand til å utføre en jobb og å være vellykket på det er to veldig forskjellige
konsepter. Målet for hver stilling i et selskap skal være sterk
ytelse, ikke bare å få av.

For å nå målet om sterke resultater, må du grave dypere inn i selve
egenskaper og atferd som driver suksess. Atferdsvurderingene er en veldig
effektiv måte å samle inn data om egenskapene til enkeltpersoner fra alle ytelse
nivåer i stillingen. En atferdsvurdering er et verktøy eller, som jeg kaller det, en
redskap for datainnsamling som trekker ut informasjon fra enkeltpersoner knyttet
til sine atferdspreferanser. Disse egenskapene, i tillegg til ytelsesdata, vil
gi data for å bidra til å identifisere hvor ansatte har suksess eller
svikt i en posisjon. Konkret vil atferdsvurderingene gi deg
med innsikt i enkeltpersoner og' innstillinger knyttet til hvordan de nærmer
problemer, bearbeide informasjon, samhandle med andre, og svare på ulike arbeids
situasjoner. Vanligvis er dette informasjon som er samlet gjennom en rekke
spørsmål presentert for den enkelte bruker et spørreskjema. Svarene er
omgjort til konklusjoner som representerer spesifikke preferanser eller atferdsmessige trekk
som gir ledetråder til hvordan og hvorfor folk gjør det de gjør når de jobber.

Mal

Vær forsiktig — det er ikke alt om ytelsesdata i jobbanalyse eller
resultatene av atferdsvurdering. Det handler om hvordan du bruker de to sammen
å forvandle ytelsesdata inn i en mal for målrettet atferdstrekk. For bedriften fullt ut fange opp de egenskapene de bidrar til suksess i en posisjon, må du
la forretningsdrivere (ytelse data) diktere viktigheten og mengden
av hver egenskap. Antakelsen om at flere av hver egenskap som er best vil lede deg ned
i feil retning. Vurdere en egenskap som “ uavhengighet &"; i en individuell
bidragsyter rolle. En vellykket person i denne rollen er målt i
gjennomstrømming. Denne stillingen krever en ansatt å sitte ved en pult og full
repetitive oppgaver i samsvar med spesifikke instruksjoner fra en manager. Tenk
om det – ville noen som er ekstremt uavhengig-minded lykkes i denne
rolle? I dette tilfellet, er det trygt å anta at en person &'; s. Ønske om
uavhengighet ville faktisk hemme deres prestasjoner

Bruke teknologi til Mål Traits

Når utvikle en posisjon mal (Ytelse + Traits), bør du
begynne med å identifisere trekk av vellykkede mennesker som skiller dem
fra sine mindre vellykkede medarbeidere. Teknologi er ofte brukt for å forenkle denne
prosessen. De fleste atferdsvurderingsverktøy generere numeriske representasjoner av
et individ &'; s atferdstrekk. Disse numeriske representasjoner er ofte
kalt dimensjon score, karakteristiske score, faktorsummer eller mange andre
vurderingsspesifikke navn. Den grunnleggende ideen er å gi deg informasjon Hotell som plotter en person &'; s trekk på en skala hvor du bedre kan forstå hvordan det
person sammenlignet med andre for hver egenskap. De fleste atferdsvurderings
verktøy tilbyr mange egenskaper som brukes til å beskrive den enkelte. Uansett, teknologi
vil gjøre deg i stand til å raskt og nøyaktig samle egenskap informasjon.
Tillegg utnytte vurdering teknologien vil effektivisere din evne til
gjøre statistiske sammenligninger mellom enkeltutøvere. Det endelige målet
er å bruke ytelsesdata for å oppdage de egenskaper som er mest forutsigbare av
suksess i stillingen.

De spesifikke trinnene nedenfor vil hjelpe deg å lage en posisjon mal med
bruk av teknologi

• Statistisk søke etter sammenhenger mellom egenskaper og ytelses
data
• Innenfor en stilling, delt dine ansatte inn i grupper basert på deres ytelses
data
• Beregn egenskap scorer beskrivende statistikk (gjennomsnitt, median, standard
avvik, etc.) for hver forestilling gruppe
• Sammenligne ytelse grupper av beskrivende statistikk
• Søk etter eventuelle skjulte mønstre av trekk blant prestasjonsgrupper.

Hvis Teknologi er ikke et alternativ

Hvis vurderingen teknologien ikke er tilgjengelig i din situasjon, la meg foreslå en
noen tips som kan veilede deg i din innsats for å skape en posisjon mal.
først, spør dine fageksperter om de har noen teorier om hvilke
trekk gjør individer å lykkes i rollen. Deretter sammenligne egenskaper
basert på ekspertene og' teorier til ytelsen data du har samlet. Den
Målet er å finne ut om teoriene er støttet eller motsagt av dataene.
Tenk på dette som en prosess med å ta noe fra teori til virkelighet. Nøkkelen
er ikke å ta ekspertene på deres ord, men å bruke teorien mot selve
ytelse data og forsøke å bekrefte eller avkrefte teorien. En god illustrasjon
av dette konseptet kommer fra detaljhandelen. En viss gruppe av ledere
teoretisert at vellykkede butikksjefer var veldig ambisiøs. Men som vi
innsamlet informasjon på individnivå, fant vi at vellykkede ledere
hadde vært i deres rolle i mange år og var veldig komfortabel med sin
bidrag til selskapet. Det var ikke noe ønske om å flytte opp eller ut, så
forutsetning av “ høy ambisjon &"; viste seg ikke å være nøyaktig

Her er noen konkrete tiltak som kan hjelpe deg i å skape en posisjon mal Anmeldelser uten bruk av teknologi

&bull.; Bruk ytelsesdata for å opprette undergrupper basert på prestasjonsnivået
• Telle hvor mange prosent av folk i hver undergruppe som besitter unike egenskaper
• Dokumentere fellestrekk blant ytelse grupper.
• Sammenligne og kontrast egenskapene over ytelse grupper
• Finn de egenskaper som skiller seg ut og skille ytelses
nivåer
•