Vad är medarbetarutfall?

Definition

Begreppet är centralt för Hiring Intelligence, eftersom utfall är det som gör det möjligt att utvärdera om ett anställningsbeslut faktiskt höll. Utan utfallsdata förblir varje bedömning av rekryteringskvalitet ett antagande.

Vilka typer av utfall finns?

• Prestationsutfall: hur väl medarbetaren hanterar konkreta arbetsuppgifter, mätt mot rollens förväntningar.
• Utfall gällande personalomsättning: om medarbetaren stannar i rollen under en given period.
• Utvecklingsutfall: om medarbetaren tar på sig mer ansvar, nya arbetsuppgifter, eller går vidare internt.
• Onboarding-utfall: hur snabbt medarbetaren kommer in i rollen och blir produktiv.
• Utfall gällande välmående och engagemang: medarbetarens egen upplevelse av rollen, arbetsmiljön och förväntningsöverensstämmelse.
• Samarbetsutfall: hur medarbetaren fungerar i teamet och med sin direkta chef.

För en genomgång av hur dessa typer bidrar till en övergripande bedömning av rekryteringskvalitet, se kvalitet i rekrytering.

Hur samlas utfall in?

En praktisk guide till att sätta upp den här insamlingen som en löpande process finns i att mäta rekryteringskvalitet.

Dataunderlag och GDPR-hänsyn

Eftersom medarbetarutfall är personuppgifter, och i vissa fall känsliga personuppgifter om de rör hälsa eller välmående i vid bemärkelse, måste insamling och lagring ha en tydlig rättslig grund enligt dataskyddslagen. I praktiken innebär det:

• Ändamålsbegränsning: data bör bara samlas in för det syfte den samlades in för, till exempel att förbättra framtida anställningsbeslut - inte användas godtyckligt för andra syften efteråt.
• Dataminimering: bara den data som verkligen behövs för syftet bör samlas in.
• Transparens: medarbetare bör veta vilken data som samlas in, och varför.
• Åtkomstbegränsning: bara personer med en legitim anledning bör ha åtkomst till utfallsdata.
• Lagringsbegränsning: data bör inte sparas längre än nödvändigt för syftet.

Se IMY:s vägledning om behandling av personuppgifter i anställningsförhållanden för tillämplig rättslig grund. RoleWise erbjuder inte juridisk rådgivning, och organisationer bör alltid bedöma sin egen grund specifikt.

Hur utfall återkopplas till anställningsbeslutet

Kopplingen görs genom att jämföra vad som observeras efter anställning med vad som var känt och förväntat före anställning. Det kräver att båda sidor är dokumenterade på ett jämförbart sätt:

• Signalerna och förväntningarna bakom beslutet måste registreras - inte bara ihågkomna intryck.
• Utfall måste samlas in tillräckligt konsekvent för att kunna jämföras mellan flera rekryteringar.
• Mönster, inte enskilda fall, är det som ger ett bättre underlag för framtida anställningsbeslut.

Den här kopplingen är själva kärnan i Hiring Intelligence-modellen. Se hela modellen i Hiring Intelligence och hur den skiljer sig från frågan om hur exakt förväntningar stämde överens med observation i träffsäkerhet i rekrytering.

Begränsningar

• Utfall formas av sammanhang som ledarskap, team och villkor, inte bara av medarbetaren.
• Vissa utfall, som utveckling, tar lång tid att mogna och kan inte bedömas tidigt.
• Självrapporterade utfall kan påverkas av aktuell stämning och organisationskultur.
• Data mellan system är ofta fragmenterad och kräver medvetet upplägg för att bli användbar.

RoleWise tillvägagångssätt

RoleWise är byggt som en AI-native hiring intelligence-plattform som kopplar samman signalerna före en anställning, insamlade av Louise, RoleWise AI-samtalslager, med medarbetarens faktiska utfall efter anställning. RoleWise avgör inte själv vilken utfallsdata en kund väljer att behandla, och uppmuntrar kunder att bedöma sin egen rättsliga grund i enlighet med tillämplig dataskyddslag.