Organizational Consultant › SLIDES • Expertise

Workforce Analytics & People Data Science

People Analytics Strategy, Attrition Predictive Models, Survey Listening, and Data Storytelling

Terlaris
5.0
0 peserta terdaftar
Dibuat oleh Konsuli Team Terakhir diperbarui: 2 hari yang lalu Bahasa: Indonesia
Rp50.000 Rp149.000
Mulai Belajar Pratinjau Slide Gratis
Beli Sekarang

Jaminan uang kembali 30 hari

Bundel Hemat

Beli 3 materi hukum FIDIC & Kontraktor sekaligus dan hemat hingga 30%!

Rp 199.000

Apa yang akan Anda pelajari

Menguasai kerangka kerja strategis dan rancangan operasional manajemen talenta, remunerasi, struktur organisasi, dan manajemen perubahan.
Mampu memberikan solusi konsultasi MSDM berbasis bukti (evidence-based) secara komprehensif.

Daftar Isi

BAB 01: People Analytics Strategy & Maturity Model

40 pelajaran
  • 01. People Analytics Strategy & Maturity Model
  • 02. Why: Tim Analitik Menghasilkan Laporan tanpa Pertanyaan Bisnis
  • 03. Outline: Strategi People Analytics; Kematangan Fungsi Analitik; Prioritas Bisnis dan Pilihan Organisasi; Desain Metrik dan Dashboard SDM; Pelindungan Data Pegawai dan Kandidat; Kapasitas dan Kompetensi Tim HR
  • 04. Tujuan dan Capaian: Menilai Strategi People Analytics; Menyusun Prioritas Bisnis dan Pilihan Organisasi; Menguji Kapasitas dan Kompetensi Tim HR
  • 05. People Analytics Strategy & Maturity Model: Pertanyaan Bisnis sebelum Memilih Metode
  • 06. People Analytics Strategy & Maturity Model: Descriptive, Diagnostic, dan Predictive Analytics
  • 07. People Analytics Strategy & Maturity Model: Kebutuhan Kompetensi Tim Analitik
  • 08. People Analytics Strategy & Maturity Model: Prioritas Use Case menurut Nilai dan Kelayakan
  • 09. People Analytics Strategy & Maturity Model: Batas Analitik sebagai Pendukung Keputusan
  • 10. People Analytics Strategy & Maturity Model: Ketersediaan Data serta Standar Definisi
  • 11. People Analytics Strategy & Maturity Model: Kemampuan Analisis dan Eksperimen
  • 12. People Analytics Strategy & Maturity Model: Hubungan Tim Analitik dengan Pengambil Keputusan
  • 13. People Analytics Strategy & Maturity Model: Governance serta Reproducibility
  • 14. People Analytics Strategy & Maturity Model: Roadmap Peningkatan Kematangan
  • 15. People Analytics Strategy & Maturity Model: Sasaran Bisnis yang Memerlukan Intervensi SDM
  • 16. People Analytics Strategy & Maturity Model: Pemetaan Kebutuhan Pemangku Kepentingan
  • 17. People Analytics Strategy & Maturity Model: Batas Anggaran dan Kapasitas Implementasi
  • 18. People Analytics Strategy & Maturity Model: Kriteria Memilih Alternatif Intervensi
  • 19. People Analytics Strategy & Maturity Model: Hubungan Hasil SDM dengan Hasil Bisnis
  • 20. People Analytics Strategy & Maturity Model: Definisi Populasi serta Periode Pengukuran
  • 21. People Analytics Strategy & Maturity Model: Numerator, Denominator, dan Unit Analisis
  • 22. People Analytics Strategy & Maturity Model: Segmentasi agar Agregat Tidak Menyesatkan
  • 23. People Analytics Strategy & Maturity Model: Ambang Interpretasi serta Konteks Pembanding
  • 24. People Analytics Strategy & Maturity Model: Data Owner dan Jadwal Pembaruan
  • 25. People Analytics Strategy & Maturity Model: Tujuan serta Dasar Pemrosesan Data
  • 26. People Analytics Strategy & Maturity Model: Pembatasan Data yang Dikumpulkan
  • 27. People Analytics Strategy & Maturity Model: Akses Berbasis Peran dan Pencatatan Aktivitas
  • 28. People Analytics Strategy & Maturity Model: Retensi, Penghapusan, dan Permintaan Individu
  • 29. People Analytics Strategy & Maturity Model: Penanganan Insiden serta Pengungkapan Terbatas
  • 30. People Analytics Strategy & Maturity Model: Daftar Layanan serta Kebutuhan Keterampilan
  • 31. People Analytics Strategy & Maturity Model: Volume Kerja per Jenis Permintaan
  • 32. People Analytics Strategy & Maturity Model: Gap Keahlian pada Tim
  • 33. People Analytics Strategy & Maturity Model: Pilihan Rekrutmen dan Pengembangan
  • 34. People Analytics Strategy & Maturity Model: Pengukuran Kualitas Hasil Tim
  • 35. Worked Example (Hipotetis): Hubungan Tim Analitik dengan Pengambil Keputusan
  • 36. Quote Penting (Rumusan Editorial): Pertanyaan Keputusan Perlu Mendahului Pemilihan Metode
  • 37. Case Study (Hipotetis): Tim Analitik Menghasilkan Laporan tanpa Pertanyaan Bisnis
  • 38. Key Takeaways: Strategi People Analytics; Prioritas Bisnis dan Pilihan Organisasi; Kapasitas dan Kompetensi Tim HR
  • 39. Closing: Susun Rekomendasi untuk Tim Analitik Menghasilkan Laporan tanpa Pertanyaan Bisnis
  • 40. References: CIPD People Analytics; kamus data; dokumentasi metode serta hasil validasi (People Analytics Strategy & Maturity Model)

BAB 02: HR Metrics & Dashboard Design

40 pelajaran
  • 01. HR Metrics & Dashboard Design
  • 02. Why: Dua Dashboard Menampilkan Headcount yang Berbeda
  • 03. Outline: Desain Metrik dan Dashboard SDM; Mutu serta Integritas Data SDM; Arsitektur Key Performance Indicators; Penyajian Temuan Data SDM; Integrasi Sistem dan Data SDM; Pelindungan Data Pegawai dan Kandidat
  • 04. Tujuan dan Capaian: Menilai Desain Metrik dan Dashboard SDM; Menyusun Arsitektur Key Performance Indicators; Menguji Pelindungan Data Pegawai dan Kandidat
  • 05. HR Metrics & Dashboard Design: Definisi Populasi serta Periode Pengukuran
  • 06. HR Metrics & Dashboard Design: Numerator, Denominator, dan Unit Analisis
  • 07. HR Metrics & Dashboard Design: Segmentasi agar Agregat Tidak Menyesatkan
  • 08. HR Metrics & Dashboard Design: Ambang Interpretasi serta Konteks Pembanding
  • 09. HR Metrics & Dashboard Design: Data Owner dan Jadwal Pembaruan
  • 10. HR Metrics & Dashboard Design: Definisi Field dan Identitas Unik
  • 11. HR Metrics & Dashboard Design: Missing Data serta Ketidakkonsistenan
  • 12. HR Metrics & Dashboard Design: Rekonsiliasi Antar Sistem
  • 13. HR Metrics & Dashboard Design: Validasi Periode dan Riwayat Perubahan
  • 14. HR Metrics & Dashboard Design: Dokumentasi Lineage Data
  • 15. HR Metrics & Dashboard Design: Pembedaan Outcome, Output, dan Aktivitas
  • 16. HR Metrics & Dashboard Design: Leading dan Lagging Indicators
  • 17. HR Metrics & Dashboard Design: Definisi, Rumus, dan Pemilik KPI
  • 18. HR Metrics & Dashboard Design: Cascading Sasaran tanpa Duplikasi Ukuran
  • 19. HR Metrics & Dashboard Design: Konflik Indikator serta Risiko Gaming
  • 20. HR Metrics & Dashboard Design: Pertanyaan Keputusan yang Hendak Dijawab
  • 21. HR Metrics & Dashboard Design: Grafik yang Sesuai dengan Bentuk Data
  • 22. HR Metrics & Dashboard Design: Pembedaan Temuan, Interpretasi, dan Rekomendasi
  • 23. HR Metrics & Dashboard Design: Ketidakpastian serta Keterbatasan Data
  • 24. HR Metrics & Dashboard Design: Ringkasan Keputusan untuk Pimpinan
  • 25. HR Metrics & Dashboard Design: Sumber Acuan untuk Identitas Pegawai
  • 26. HR Metrics & Dashboard Design: Pemetaan Field Antar Aplikasi
  • 27. HR Metrics & Dashboard Design: API, Batch, dan Frekuensi Sinkronisasi
  • 28. HR Metrics & Dashboard Design: Penanganan Kegagalan serta Rekonsiliasi
  • 29. HR Metrics & Dashboard Design: Pengendalian Hak Akses Antar Sistem
  • 30. HR Metrics & Dashboard Design: Tujuan serta Dasar Pemrosesan Data
  • 31. HR Metrics & Dashboard Design: Pembatasan Data yang Dikumpulkan
  • 32. HR Metrics & Dashboard Design: Akses Berbasis Peran dan Pencatatan Aktivitas
  • 33. HR Metrics & Dashboard Design: Retensi, Penghapusan, dan Permintaan Individu
  • 34. HR Metrics & Dashboard Design: Penanganan Insiden serta Pengungkapan Terbatas
  • 35. Worked Example (Hipotetis): Rekonsiliasi Antar Sistem (HR Metrics & Dashboard Design)
  • 36. Quote Penting (Rumusan Editorial): Metrik Memerlukan Definisi Populasi, Periode, dan Denominator (HR Metrics & Dashboard Design)
  • 37. Case Study (Hipotetis): Dua Dashboard Menampilkan Headcount yang Berbeda
  • 38. Key Takeaways: Desain Metrik dan Dashboard SDM; Arsitektur Key Performance Indicators; Pelindungan Data Pegawai dan Kandidat
  • 39. Closing: Susun Rekomendasi untuk Dua Dashboard Menampilkan Headcount yang Berbeda
  • 40. References: CIPD People Analytics; kamus data; dokumentasi metode serta hasil validasi (HR Metrics & Dashboard Design)

BAB 03: Attrition Analysis & Retention Modeling

40 pelajaran
  • 01. Attrition Analysis & Retention Modeling
  • 02. Why: Model Attrition Memakai Informasi yang Baru Ada setelah Pegawai Keluar
  • 03. Outline: Analisis Attrition dan Retensi; Baseline Tenaga Kerja; Segmentasi Tenaga Kerja; Pemodelan Prediktif Data SDM; Retensi Talenta Kritis; Pelindungan Data Pegawai dan Kandidat
  • 04. Tujuan dan Capaian: Menilai Analisis Attrition dan Retensi; Menyusun Segmentasi Tenaga Kerja; Menguji Pelindungan Data Pegawai dan Kandidat
  • 05. Attrition Analysis & Retention Modeling: Voluntary dan Involuntary Turnover
  • 06. Attrition Analysis & Retention Modeling: Penghitungan Rate dengan Denominator yang Konsisten
  • 07. Attrition Analysis & Retention Modeling: Cohort dan Tenure Analysis
  • 08. Attrition Analysis & Retention Modeling: Regretted Attrition pada Posisi Kritis
  • 09. Attrition Analysis & Retention Modeling: Pembedaan Korelasi dan Penyebab Keputusan Keluar
  • 10. Attrition Analysis & Retention Modeling: Headcount dan FTE sebagai Ukuran Berbeda
  • 11. Attrition Analysis & Retention Modeling: Komposisi Tenaga Kerja per Fungsi
  • 12. Attrition Analysis & Retention Modeling: Struktur Biaya Tenaga Kerja
  • 13. Attrition Analysis & Retention Modeling: Profil Masa Kerja dan Usia Jabatan
  • 14. Attrition Analysis & Retention Modeling: Rekonsiliasi Data Pegawai dengan Posisi
  • 15. Attrition Analysis & Retention Modeling: Tujuan Segmentasi sebelum Memilih Variabel
  • 16. Attrition Analysis & Retention Modeling: Kelompok berdasarkan Peran, Keterampilan, dan Masa Kerja
  • 17. Attrition Analysis & Retention Modeling: Ukuran Segmen serta Stabilitas
  • 18. Attrition Analysis & Retention Modeling: Validasi Perbedaan yang Relevan
  • 19. Attrition Analysis & Retention Modeling: Pencegahan Label Segmen yang Merugikan Individu
  • 20. Attrition Analysis & Retention Modeling: Definisi Target serta Horizon Prediksi
  • 21. Attrition Analysis & Retention Modeling: Train-Test Split yang Mempertimbangkan Waktu
  • 22. Attrition Analysis & Retention Modeling: Data Leakage dan Variabel Proksi
  • 23. Attrition Analysis & Retention Modeling: Discrimination, Calibration, dan Error
  • 24. Attrition Analysis & Retention Modeling: Monitoring Drift serta Batas Penggunaan Model
  • 25. Attrition Analysis & Retention Modeling: Identifikasi Risiko Keluar yang Berbasis Bukti
  • 26. Attrition Analysis & Retention Modeling: Alasan Bertahan dan Alasan Meninggalkan Organisasi
  • 27. Attrition Analysis & Retention Modeling: Retention Bonus dan Alternatif Nonmoneter
  • 28. Attrition Analysis & Retention Modeling: Kewenangan Menetapkan Paket Retensi
  • 29. Attrition Analysis & Retention Modeling: Review Efektivitas setelah Masa Transisi
  • 30. Attrition Analysis & Retention Modeling: Tujuan serta Dasar Pemrosesan Data
  • 31. Attrition Analysis & Retention Modeling: Pembatasan Data yang Dikumpulkan
  • 32. Attrition Analysis & Retention Modeling: Akses Berbasis Peran dan Pencatatan Aktivitas
  • 33. Attrition Analysis & Retention Modeling: Retensi, Penghapusan, dan Permintaan Individu
  • 34. Attrition Analysis & Retention Modeling: Penanganan Insiden serta Pengungkapan Terbatas
  • 35. Worked Example (Hipotetis): Struktur Biaya Tenaga Kerja (Attrition Analysis & Retention Modeling)
  • 36. Quote Penting (Rumusan Editorial): Korelasi dengan Attrition Tidak Otomatis Menunjukkan Penyebab
  • 37. Case Study (Hipotetis): Model Attrition Memakai Informasi yang Baru Ada setelah Pegawai Keluar
  • 38. Key Takeaways: Analisis Attrition dan Retensi; Segmentasi Tenaga Kerja; Pelindungan Data Pegawai dan Kandidat
  • 39. Closing: Susun Rekomendasi untuk Model Attrition Memakai Informasi yang Baru Ada setelah Pegawai Keluar
  • 40. References: CIPD People Analytics; kamus data; dokumentasi metode serta hasil validasi (Attrition Analysis & Retention Modeling)

BAB 04: Talent Segmentation & Workforce Profiling

40 pelajaran
  • 01. Talent Segmentation & Workforce Profiling
  • 02. Why: Segmen Talenta Dibentuk tanpa Tujuan Keputusan yang Jelas
  • 03. Outline: Baseline Tenaga Kerja; Segmentasi Tenaga Kerja; Kerangka Kompetensi Jabatan; Posisi Kritis dan Risiko Kekosongan; Desain Metrik dan Dashboard SDM; Pelindungan Data Pegawai dan Kandidat
  • 04. Tujuan dan Capaian: Menilai Baseline Tenaga Kerja; Menyusun Kerangka Kompetensi Jabatan; Menguji Pelindungan Data Pegawai dan Kandidat
  • 05. Talent Segmentation & Workforce Profiling: Headcount dan FTE sebagai Ukuran Berbeda
  • 06. Talent Segmentation & Workforce Profiling: Komposisi Tenaga Kerja per Fungsi
  • 07. Talent Segmentation & Workforce Profiling: Struktur Biaya Tenaga Kerja
  • 08. Talent Segmentation & Workforce Profiling: Profil Masa Kerja dan Usia Jabatan
  • 09. Talent Segmentation & Workforce Profiling: Rekonsiliasi Data Pegawai dengan Posisi
  • 10. Talent Segmentation & Workforce Profiling: Tujuan Segmentasi sebelum Memilih Variabel
  • 11. Talent Segmentation & Workforce Profiling: Kelompok berdasarkan Peran, Keterampilan, dan Masa Kerja
  • 12. Talent Segmentation & Workforce Profiling: Ukuran Segmen serta Stabilitas
  • 13. Talent Segmentation & Workforce Profiling: Validasi Perbedaan yang Relevan
  • 14. Talent Segmentation & Workforce Profiling: Pencegahan Label Segmen yang Merugikan Individu
  • 15. Talent Segmentation & Workforce Profiling: Hubungan Kompetensi dan Tuntutan Bisnis
  • 16. Talent Segmentation & Workforce Profiling: Kompetensi Teknis serta Perilaku
  • 17. Talent Segmentation & Workforce Profiling: Indikator Perilaku per Tingkat Penguasaan
  • 18. Talent Segmentation & Workforce Profiling: Validasi Kompetensi dengan Pemegang Jabatan
  • 19. Talent Segmentation & Workforce Profiling: Pembaruan Kerangka ketika Pekerjaan Berubah
  • 20. Talent Segmentation & Workforce Profiling: Kriteria Kekritisan Peran
  • 21. Talent Segmentation & Workforce Profiling: Dampak Kekosongan terhadap Operasi
  • 22. Talent Segmentation & Workforce Profiling: Kelangkaan Keterampilan Pengganti
  • 23. Talent Segmentation & Workforce Profiling: Ketergantungan pada Pemegang Peran Tunggal
  • 24. Talent Segmentation & Workforce Profiling: Prioritas Perlindungan Posisi Kritis
  • 25. Talent Segmentation & Workforce Profiling: Definisi Populasi serta Periode Pengukuran
  • 26. Talent Segmentation & Workforce Profiling: Numerator, Denominator, dan Unit Analisis
  • 27. Talent Segmentation & Workforce Profiling: Segmentasi agar Agregat Tidak Menyesatkan
  • 28. Talent Segmentation & Workforce Profiling: Ambang Interpretasi serta Konteks Pembanding
  • 29. Talent Segmentation & Workforce Profiling: Data Owner dan Jadwal Pembaruan
  • 30. Talent Segmentation & Workforce Profiling: Tujuan serta Dasar Pemrosesan Data
  • 31. Talent Segmentation & Workforce Profiling: Pembatasan Data yang Dikumpulkan
  • 32. Talent Segmentation & Workforce Profiling: Akses Berbasis Peran dan Pencatatan Aktivitas
  • 33. Talent Segmentation & Workforce Profiling: Retensi, Penghapusan, dan Permintaan Individu
  • 34. Talent Segmentation & Workforce Profiling: Penanganan Insiden serta Pengungkapan Terbatas
  • 35. Worked Example (Hipotetis): Ukuran Segmen serta Stabilitas (Talent Segmentation & Workforce Profiling)
  • 36. Quote Penting (Rumusan Editorial): Perencanaan Memerlukan Data Pegawai dan Posisi yang Direkonsiliasi (Talent Segmentation & Workforce Profiling)
  • 37. Case Study (Hipotetis): Segmen Talenta Dibentuk tanpa Tujuan Keputusan yang Jelas
  • 38. Key Takeaways: Baseline Tenaga Kerja; Kerangka Kompetensi Jabatan; Pelindungan Data Pegawai dan Kandidat
  • 39. Closing: Susun Rekomendasi untuk Segmen Talenta Dibentuk tanpa Tujuan Keputusan yang Jelas
  • 40. References: CIPD People Analytics; kamus data; dokumentasi metode serta hasil validasi (Talent Segmentation & Workforce Profiling)

BAB 05: Survey Design & Employee Listening Strategy

40 pelajaran
  • 01. Survey Design & Employee Listening Strategy
  • 02. Why: Response Rate Rendah Membatasi Kesimpulan Survei Pegawai
  • 03. Outline: Desain Survei Pegawai; Strategi Keterikatan Pegawai; Pemetaan Employee Experience; Psychological Safety dalam Tim; Mutu serta Integritas Data SDM; Penyajian Temuan Data SDM
  • 04. Tujuan dan Capaian: Menilai Desain Survei Pegawai; Menyusun Pemetaan Employee Experience; Menguji Penyajian Temuan Data SDM
  • 05. Survey Design & Employee Listening Strategy: Konstruk yang Hendak Diukur
  • 06. Survey Design & Employee Listening Strategy: Pertanyaan yang Jelas dan Tidak Menggiring
  • 07. Survey Design & Employee Listening Strategy: Skala Jawaban serta Beban Responden
  • 08. Survey Design & Employee Listening Strategy: Sampling, Response Rate, dan Nonresponse Bias
  • 09. Survey Design & Employee Listening Strategy: Uji Coba Instrumen sebelum Peluncuran
  • 10. Survey Design & Employee Listening Strategy: Pembedaan Engagement dan Kepuasan
  • 11. Survey Design & Employee Listening Strategy: Driver Keterikatan yang Dapat Ditindaklanjuti
  • 12. Survey Design & Employee Listening Strategy: Survei serta Kanal Mendengar Pegawai
  • 13. Survey Design & Employee Listening Strategy: Action Planning pada Tingkat Tim
  • 14. Survey Design & Employee Listening Strategy: Evaluasi Perubahan setelah Tindakan
  • 15. Survey Design & Employee Listening Strategy: Segmen Pegawai serta Kebutuhannya
  • 16. Survey Design & Employee Listening Strategy: Tahap Perjalanan Pegawai
  • 17. Survey Design & Employee Listening Strategy: Moments That Matter
  • 18. Survey Design & Employee Listening Strategy: Pain Point pada Proses dan Interaksi
  • 19. Survey Design & Employee Listening Strategy: Prioritas Perbaikan Pengalaman
  • 20. Survey Design & Employee Listening Strategy: Keamanan Menyampaikan Pertanyaan serta Kesalahan
  • 21. Survey Design & Employee Listening Strategy: Peran Respons Pemimpin terhadap Masukan
  • 22. Survey Design & Employee Listening Strategy: Norma Diskusi dan Ketidaksepakatan
  • 23. Survey Design & Employee Listening Strategy: Pembedaan Psychological Safety dan Ketiadaan Akuntabilitas
  • 24. Survey Design & Employee Listening Strategy: Pengukuran Persepsi dengan Menjaga Kerahasiaan
  • 25. Survey Design & Employee Listening Strategy: Definisi Field dan Identitas Unik
  • 26. Survey Design & Employee Listening Strategy: Missing Data serta Ketidakkonsistenan
  • 27. Survey Design & Employee Listening Strategy: Rekonsiliasi Antar Sistem
  • 28. Survey Design & Employee Listening Strategy: Validasi Periode dan Riwayat Perubahan
  • 29. Survey Design & Employee Listening Strategy: Dokumentasi Lineage Data
  • 30. Survey Design & Employee Listening Strategy: Pertanyaan Keputusan yang Hendak Dijawab
  • 31. Survey Design & Employee Listening Strategy: Grafik yang Sesuai dengan Bentuk Data
  • 32. Survey Design & Employee Listening Strategy: Pembedaan Temuan, Interpretasi, dan Rekomendasi
  • 33. Survey Design & Employee Listening Strategy: Ketidakpastian serta Keterbatasan Data
  • 34. Survey Design & Employee Listening Strategy: Ringkasan Keputusan untuk Pimpinan
  • 35. Worked Example (Hipotetis): Survei serta Kanal Mendengar Pegawai (Survey Design & Employee Listening Strategy)
  • 36. Quote Penting (Rumusan Editorial): Kesimpulan Survei Memerlukan Pemeriksaan Responden serta Mutu Instrumen (Survey Design & Employee Listening Strategy)
  • 37. Case Study (Hipotetis): Response Rate Rendah Membatasi Kesimpulan Survei Pegawai
  • 38. Key Takeaways: Desain Survei Pegawai; Pemetaan Employee Experience; Penyajian Temuan Data SDM
  • 39. Closing: Susun Rekomendasi untuk Response Rate Rendah Membatasi Kesimpulan Survei Pegawai
  • 40. References: CIPD People Analytics; kamus data; dokumentasi metode serta hasil validasi (Survey Design & Employee Listening Strategy)

BAB 06: Benchmarking & External Data Sources

40 pelajaran
  • 01. Benchmarking & External Data Sources
  • 02. Why: Benchmark Eksternal Memakai Definisi yang Tidak Sejajar
  • 03. Outline: Penggunaan Data Pembanding Pasar; Mutu serta Integritas Data SDM; Pemetaan Pasar Talenta; Desain Metrik dan Dashboard SDM; Pelindungan Data Pegawai dan Kandidat; Penyajian Temuan Data SDM
  • 04. Tujuan dan Capaian: Menilai Penggunaan Data Pembanding Pasar; Menyusun Pemetaan Pasar Talenta; Menguji Penyajian Temuan Data SDM
  • 05. Benchmarking & External Data Sources: Pemilihan Pasar Pembanding yang Relevan
  • 06. Benchmarking & External Data Sources: Job Matching sebelum Membandingkan Gaji
  • 07. Benchmarking & External Data Sources: Persentil serta Ukuran Penyebaran
  • 08. Benchmarking & External Data Sources: Perbedaan Periode dan Definisi Data
  • 09. Benchmarking & External Data Sources: Batas Kesimpulan dari Survei Pasar
  • 10. Benchmarking & External Data Sources: Definisi Field dan Identitas Unik
  • 11. Benchmarking & External Data Sources: Missing Data serta Ketidakkonsistenan
  • 12. Benchmarking & External Data Sources: Rekonsiliasi Antar Sistem
  • 13. Benchmarking & External Data Sources: Validasi Periode dan Riwayat Perubahan
  • 14. Benchmarking & External Data Sources: Dokumentasi Lineage Data
  • 15. Benchmarking & External Data Sources: Batas Industri dan Wilayah Pencarian
  • 16. Benchmarking & External Data Sources: Perusahaan Sumber Kandidat
  • 17. Benchmarking & External Data Sources: Ketersediaan Keterampilan Sasaran
  • 18. Benchmarking & External Data Sources: Perbandingan Tingkat Imbalan Pasar
  • 19. Benchmarking & External Data Sources: Pembaruan Peta Talenta dari Bukti Baru
  • 20. Benchmarking & External Data Sources: Definisi Populasi serta Periode Pengukuran
  • 21. Benchmarking & External Data Sources: Numerator, Denominator, dan Unit Analisis
  • 22. Benchmarking & External Data Sources: Segmentasi agar Agregat Tidak Menyesatkan
  • 23. Benchmarking & External Data Sources: Ambang Interpretasi serta Konteks Pembanding
  • 24. Benchmarking & External Data Sources: Data Owner dan Jadwal Pembaruan
  • 25. Benchmarking & External Data Sources: Tujuan serta Dasar Pemrosesan Data
  • 26. Benchmarking & External Data Sources: Pembatasan Data yang Dikumpulkan
  • 27. Benchmarking & External Data Sources: Akses Berbasis Peran dan Pencatatan Aktivitas
  • 28. Benchmarking & External Data Sources: Retensi, Penghapusan, dan Permintaan Individu
  • 29. Benchmarking & External Data Sources: Penanganan Insiden serta Pengungkapan Terbatas
  • 30. Benchmarking & External Data Sources: Pertanyaan Keputusan yang Hendak Dijawab
  • 31. Benchmarking & External Data Sources: Grafik yang Sesuai dengan Bentuk Data
  • 32. Benchmarking & External Data Sources: Pembedaan Temuan, Interpretasi, dan Rekomendasi
  • 33. Benchmarking & External Data Sources: Ketidakpastian serta Keterbatasan Data
  • 34. Benchmarking & External Data Sources: Ringkasan Keputusan untuk Pimpinan
  • 35. Worked Example (Hipotetis): Rekonsiliasi Antar Sistem (Benchmarking & External Data Sources)
  • 36. Quote Penting (Rumusan Editorial): Perbandingan Memerlukan Definisi serta Kelompok yang Sejajar (Benchmarking & External Data Sources)
  • 37. Case Study (Hipotetis): Benchmark Eksternal Memakai Definisi yang Tidak Sejajar
  • 38. Key Takeaways: Penggunaan Data Pembanding Pasar; Pemetaan Pasar Talenta; Penyajian Temuan Data SDM
  • 39. Closing: Susun Rekomendasi untuk Benchmark Eksternal Memakai Definisi yang Tidak Sejajar
  • 40. References: CIPD People Analytics; kamus data; dokumentasi metode serta hasil validasi (Benchmarking & External Data Sources)

BAB 07: Workforce Planning Analytics

40 pelajaran
  • 01. Workforce Planning Analytics
  • 02. Why: Proyeksi Tenaga Kerja Tidak Memperhitungkan Mobilitas Internal
  • 03. Outline: Proyeksi Kebutuhan Tenaga Kerja; Proyeksi Ketersediaan Talenta; Kesenjangan Kapasitas dan Keterampilan; Pemodelan Prediktif Data SDM; Desain Metrik dan Dashboard SDM; Tata Kelola Perencanaan Tenaga Kerja
  • 04. Tujuan dan Capaian: Menilai Proyeksi Kebutuhan Tenaga Kerja; Menyusun Kesenjangan Kapasitas dan Keterampilan; Menguji Tata Kelola Perencanaan Tenaga Kerja
  • 05. Workforce Planning Analytics: Volume Bisnis sebagai Driver Kebutuhan
  • 06. Workforce Planning Analytics: Rasio Produktivitas dan Kapasitas Kerja
  • 07. Workforce Planning Analytics: Penghitungan FTE dari Beban Kerja
  • 08. Workforce Planning Analytics: Skenario Pertumbuhan, Stabil, dan Kontraksi
  • 09. Workforce Planning Analytics: Sensitivitas Kebutuhan terhadap Asumsi
  • 10. Workforce Planning Analytics: Inventaris Keterampilan Pegawai
  • 11. Workforce Planning Analytics: Attrition dan Arus Keluar Internal
  • 12. Workforce Planning Analytics: Promosi serta Mobilitas Antarposisi
  • 13. Workforce Planning Analytics: Pasokan Eksternal pada Pasar Sasaran
  • 14. Workforce Planning Analytics: Proyeksi Ketersediaan per Periode
  • 15. Workforce Planning Analytics: Selisih Kebutuhan dan Ketersediaan FTE
  • 16. Workforce Planning Analytics: Keterampilan Langka dan Waktu Penguasaan
  • 17. Workforce Planning Analytics: Kesenjangan yang Menghambat Operasi
  • 18. Workforce Planning Analytics: Prioritas Penutupan Gap berdasarkan Dampak
  • 19. Workforce Planning Analytics: Risiko Gap yang Belum Dapat Ditutup
  • 20. Workforce Planning Analytics: Definisi Target serta Horizon Prediksi
  • 21. Workforce Planning Analytics: Train-Test Split yang Mempertimbangkan Waktu
  • 22. Workforce Planning Analytics: Data Leakage dan Variabel Proksi
  • 23. Workforce Planning Analytics: Discrimination, Calibration, dan Error
  • 24. Workforce Planning Analytics: Monitoring Drift serta Batas Penggunaan Model
  • 25. Workforce Planning Analytics: Definisi Populasi serta Periode Pengukuran
  • 26. Workforce Planning Analytics: Numerator, Denominator, dan Unit Analisis
  • 27. Workforce Planning Analytics: Segmentasi agar Agregat Tidak Menyesatkan
  • 28. Workforce Planning Analytics: Ambang Interpretasi serta Konteks Pembanding
  • 29. Workforce Planning Analytics: Data Owner dan Jadwal Pembaruan
  • 30. Workforce Planning Analytics: Pembagian Peran Bisnis, HR, dan Finance
  • 31. Workforce Planning Analytics: Kalender Review Kebutuhan Tenaga Kerja
  • 32. Workforce Planning Analytics: Persetujuan Posisi serta Anggaran
  • 33. Workforce Planning Analytics: Pencatatan Asumsi dan Versi Rencana
  • 34. Workforce Planning Analytics: Pemutakhiran Rencana saat Driver Berubah
  • 35. Worked Example (Hipotetis): Promosi serta Mobilitas Antarposisi (Workforce Planning Analytics)
  • 36. Quote Penting (Rumusan Editorial): Proyeksi FTE Memerlukan Asumsi Beban dan Produktivitas (Workforce Planning Analytics)
  • 37. Case Study (Hipotetis): Proyeksi Tenaga Kerja Tidak Memperhitungkan Mobilitas Internal
  • 38. Key Takeaways: Proyeksi Kebutuhan Tenaga Kerja; Kesenjangan Kapasitas dan Keterampilan; Tata Kelola Perencanaan Tenaga Kerja
  • 39. Closing: Susun Rekomendasi untuk Proyeksi Tenaga Kerja Tidak Memperhitungkan Mobilitas Internal
  • 40. References: CIPD People Analytics; kamus data; dokumentasi metode serta hasil validasi (Workforce Planning Analytics)

BAB 08: Diversity Analytics & Pay Equity Analysis

40 pelajaran
  • 01. Diversity Analytics & Pay Equity Analysis
  • 02. Why: Pay Gap Agregat Menutupi Perbedaan di Dalam Kelompok Jabatan
  • 03. Outline: Desain Metrik dan Dashboard SDM; Segmentasi Tenaga Kerja; Analisis Kesetaraan Imbalan; Strategi Diversity, Equity, Inclusion, dan Belonging; Pemodelan Prediktif Data SDM; Pelindungan Data Pegawai dan Kandidat
  • 04. Tujuan dan Capaian: Menilai Desain Metrik dan Dashboard SDM; Menyusun Analisis Kesetaraan Imbalan; Menguji Pelindungan Data Pegawai dan Kandidat
  • 05. Diversity Analytics & Pay Equity Analysis: Definisi Populasi serta Periode Pengukuran
  • 06. Diversity Analytics & Pay Equity Analysis: Numerator, Denominator, dan Unit Analisis
  • 07. Diversity Analytics & Pay Equity Analysis: Segmentasi agar Agregat Tidak Menyesatkan
  • 08. Diversity Analytics & Pay Equity Analysis: Ambang Interpretasi serta Konteks Pembanding
  • 09. Diversity Analytics & Pay Equity Analysis: Data Owner dan Jadwal Pembaruan
  • 10. Diversity Analytics & Pay Equity Analysis: Tujuan Segmentasi sebelum Memilih Variabel
  • 11. Diversity Analytics & Pay Equity Analysis: Kelompok berdasarkan Peran, Keterampilan, dan Masa Kerja
  • 12. Diversity Analytics & Pay Equity Analysis: Ukuran Segmen serta Stabilitas
  • 13. Diversity Analytics & Pay Equity Analysis: Validasi Perbedaan yang Relevan
  • 14. Diversity Analytics & Pay Equity Analysis: Pencegahan Label Segmen yang Merugikan Individu
  • 15. Diversity Analytics & Pay Equity Analysis: Pemetaan Kelompok Pembanding yang Layak
  • 16. Diversity Analytics & Pay Equity Analysis: Unadjusted dan Adjusted Pay Gap
  • 17. Diversity Analytics & Pay Equity Analysis: Variabel Jabatan, Masa Kerja, dan Lokasi
  • 18. Diversity Analytics & Pay Equity Analysis: Pemeriksaan Outlier serta Kesenjangan Individual
  • 19. Diversity Analytics & Pay Equity Analysis: Rencana Remediasi dan Monitoring
  • 20. Diversity Analytics & Pay Equity Analysis: Pembedaan Representasi, Akses, dan Pengalaman
  • 21. Diversity Analytics & Pay Equity Analysis: Masalah Organisasi yang Hendak Ditangani
  • 22. Diversity Analytics & Pay Equity Analysis: Prioritas berdasarkan Bukti Kesenjangan
  • 23. Diversity Analytics & Pay Equity Analysis: Pemilik Program serta Akuntabilitas
  • 24. Diversity Analytics & Pay Equity Analysis: Evaluasi Hasil tanpa Menjanjikan Dampak Otomatis
  • 25. Diversity Analytics & Pay Equity Analysis: Definisi Target serta Horizon Prediksi
  • 26. Diversity Analytics & Pay Equity Analysis: Train-Test Split yang Mempertimbangkan Waktu
  • 27. Diversity Analytics & Pay Equity Analysis: Data Leakage dan Variabel Proksi
  • 28. Diversity Analytics & Pay Equity Analysis: Discrimination, Calibration, dan Error
  • 29. Diversity Analytics & Pay Equity Analysis: Monitoring Drift serta Batas Penggunaan Model
  • 30. Diversity Analytics & Pay Equity Analysis: Tujuan serta Dasar Pemrosesan Data
  • 31. Diversity Analytics & Pay Equity Analysis: Pembatasan Data yang Dikumpulkan
  • 32. Diversity Analytics & Pay Equity Analysis: Akses Berbasis Peran dan Pencatatan Aktivitas
  • 33. Diversity Analytics & Pay Equity Analysis: Retensi, Penghapusan, dan Permintaan Individu
  • 34. Diversity Analytics & Pay Equity Analysis: Penanganan Insiden serta Pengungkapan Terbatas
  • 35. Worked Example (Hipotetis): Ukuran Segmen serta Stabilitas (Diversity Analytics & Pay Equity Analysis)
  • 36. Quote Penting (Rumusan Editorial): Metrik Memerlukan Definisi Populasi, Periode, dan Denominator (Diversity Analytics & Pay Equity Analysis)
  • 37. Case Study (Hipotetis): Pay Gap Agregat Menutupi Perbedaan di Dalam Kelompok Jabatan
  • 38. Key Takeaways: Desain Metrik dan Dashboard SDM; Analisis Kesetaraan Imbalan; Pelindungan Data Pegawai dan Kandidat
  • 39. Closing: Susun Rekomendasi untuk Pay Gap Agregat Menutupi Perbedaan di Dalam Kelompok Jabatan
  • 40. References: CIPD People Analytics; kamus data; dokumentasi metode serta hasil validasi (Diversity Analytics & Pay Equity Analysis)

BAB 09: People Analytics Ethics & Privacy

40 pelajaran
  • 01. People Analytics Ethics & Privacy
  • 02. Why: Prediksi Risiko Individu Dibagikan kepada Manajer tanpa Batas Penggunaan
  • 03. Outline: Pelindungan Data Pegawai dan Kandidat; Standar Praktik Konsultasi; Pemanfaatan AI dalam SDM; Pemodelan Prediktif Data SDM; Mutu serta Integritas Data SDM; Hak Keputusan dan Akuntabilitas
  • 04. Tujuan dan Capaian: Menilai Pelindungan Data Pegawai dan Kandidat; Menyusun Pemanfaatan AI dalam SDM; Menguji Hak Keputusan dan Akuntabilitas
  • 05. People Analytics Ethics & Privacy: Tujuan serta Dasar Pemrosesan Data
  • 06. People Analytics Ethics & Privacy: Pembatasan Data yang Dikumpulkan
  • 07. People Analytics Ethics & Privacy: Akses Berbasis Peran dan Pencatatan Aktivitas
  • 08. People Analytics Ethics & Privacy: Retensi, Penghapusan, dan Permintaan Individu
  • 09. People Analytics Ethics & Privacy: Penanganan Insiden serta Pengungkapan Terbatas
  • 10. People Analytics Ethics & Privacy: Batas Kompetensi dan Ruang Penugasan
  • 11. People Analytics Ethics & Privacy: Informed Consent serta Kejelasan Penggunaan Hasil
  • 12. People Analytics Ethics & Privacy: Konflik Kepentingan dan Independensi Penilaian
  • 13. People Analytics Ethics & Privacy: Kerahasiaan Informasi Klien serta Individu
  • 14. People Analytics Ethics & Privacy: Pelaporan Temuan tanpa Melebihkan Kepastian
  • 15. People Analytics Ethics & Privacy: Use Case yang Memerlukan Bantuan AI
  • 16. People Analytics Ethics & Privacy: Data Pelatihan serta Relevansi Pekerjaan
  • 17. People Analytics Ethics & Privacy: Validasi Kinerja dan Risiko Bias
  • 18. People Analytics Ethics & Privacy: Human Review pada Keputusan Signifikan
  • 19. People Analytics Ethics & Privacy: Monitoring Perubahan Model serta Penanganan Keberatan
  • 20. People Analytics Ethics & Privacy: Definisi Target serta Horizon Prediksi
  • 21. People Analytics Ethics & Privacy: Train-Test Split yang Mempertimbangkan Waktu
  • 22. People Analytics Ethics & Privacy: Data Leakage dan Variabel Proksi
  • 23. People Analytics Ethics & Privacy: Discrimination, Calibration, dan Error
  • 24. People Analytics Ethics & Privacy: Monitoring Drift serta Batas Penggunaan Model
  • 25. People Analytics Ethics & Privacy: Definisi Field dan Identitas Unik
  • 26. People Analytics Ethics & Privacy: Missing Data serta Ketidakkonsistenan
  • 27. People Analytics Ethics & Privacy: Rekonsiliasi Antar Sistem
  • 28. People Analytics Ethics & Privacy: Validasi Periode dan Riwayat Perubahan
  • 29. People Analytics Ethics & Privacy: Dokumentasi Lineage Data
  • 30. People Analytics Ethics & Privacy: Keputusan Kunci pada Proses Bisnis
  • 31. People Analytics Ethics & Privacy: Pihak Pengusul, Pemberi Masukan, dan Pemutus
  • 32. People Analytics Ethics & Privacy: RACI sebagai Alat Pembagian Tanggung Jawab
  • 33. People Analytics Ethics & Privacy: Batas Delegasi dan Pemicu Eskalasi
  • 34. People Analytics Ethics & Privacy: Pengujian Hambatan pada Handoff
  • 35. Worked Example (Hipotetis): Konflik Kepentingan dan Independensi Penilaian
  • 36. Quote Penting (Rumusan Editorial): Tujuan Pemrosesan Menentukan Batas Penggunaan Data
  • 37. Case Study (Hipotetis): Prediksi Risiko Individu Dibagikan kepada Manajer tanpa Batas Penggunaan
  • 38. Key Takeaways: Pelindungan Data Pegawai dan Kandidat; Pemanfaatan AI dalam SDM; Hak Keputusan dan Akuntabilitas
  • 39. Closing: Susun Rekomendasi untuk Prediksi Risiko Individu Dibagikan kepada Manajer tanpa Batas Penggunaan
  • 40. References: CIPD People Analytics; kamus data; dokumentasi metode serta hasil validasi (People Analytics Ethics & Privacy)

BAB 10: Storytelling with People Data

40 pelajaran
  • 01. Storytelling with People Data
  • 02. Why: Grafik Menyiratkan Sebab Akibat dari Hubungan Korelasional
  • 03. Outline: Penyajian Temuan Data SDM; Desain Metrik dan Dashboard SDM; Prioritas Bisnis dan Pilihan Organisasi; Pemetaan Pemangku Kepentingan; Mutu serta Integritas Data SDM; Strategi People Analytics
  • 04. Tujuan dan Capaian: Menilai Penyajian Temuan Data SDM; Menyusun Prioritas Bisnis dan Pilihan Organisasi; Menguji Strategi People Analytics
  • 05. Storytelling with People Data: Pertanyaan Keputusan yang Hendak Dijawab
  • 06. Storytelling with People Data: Grafik yang Sesuai dengan Bentuk Data
  • 07. Storytelling with People Data: Pembedaan Temuan, Interpretasi, dan Rekomendasi
  • 08. Storytelling with People Data: Ketidakpastian serta Keterbatasan Data
  • 09. Storytelling with People Data: Ringkasan Keputusan untuk Pimpinan
  • 10. Storytelling with People Data: Definisi Populasi serta Periode Pengukuran
  • 11. Storytelling with People Data: Numerator, Denominator, dan Unit Analisis
  • 12. Storytelling with People Data: Segmentasi agar Agregat Tidak Menyesatkan
  • 13. Storytelling with People Data: Ambang Interpretasi serta Konteks Pembanding
  • 14. Storytelling with People Data: Data Owner dan Jadwal Pembaruan
  • 15. Storytelling with People Data: Sasaran Bisnis yang Memerlukan Intervensi SDM
  • 16. Storytelling with People Data: Pemetaan Kebutuhan Pemangku Kepentingan
  • 17. Storytelling with People Data: Batas Anggaran dan Kapasitas Implementasi
  • 18. Storytelling with People Data: Kriteria Memilih Alternatif Intervensi
  • 19. Storytelling with People Data: Hubungan Hasil SDM dengan Hasil Bisnis
  • 20. Storytelling with People Data: Kepentingan dan Pengaruh Setiap Kelompok
  • 21. Storytelling with People Data: Pihak Sponsor, Pengguna, dan Penghambat
  • 22. Storytelling with People Data: Kebutuhan Informasi untuk Keputusan
  • 23. Storytelling with People Data: Perbedaan Prioritas AntarPemangku Kepentingan
  • 24. Storytelling with People Data: Rencana Pelibatan serta Eskalasi
  • 25. Storytelling with People Data: Definisi Field dan Identitas Unik
  • 26. Storytelling with People Data: Missing Data serta Ketidakkonsistenan
  • 27. Storytelling with People Data: Rekonsiliasi Antar Sistem
  • 28. Storytelling with People Data: Validasi Periode dan Riwayat Perubahan
  • 29. Storytelling with People Data: Dokumentasi Lineage Data
  • 30. Storytelling with People Data: Pertanyaan Bisnis sebelum Memilih Metode
  • 31. Storytelling with People Data: Descriptive, Diagnostic, dan Predictive Analytics
  • 32. Storytelling with People Data: Kebutuhan Kompetensi Tim Analitik
  • 33. Storytelling with People Data: Prioritas Use Case menurut Nilai dan Kelayakan
  • 34. Storytelling with People Data: Batas Analitik sebagai Pendukung Keputusan
  • 35. Worked Example (Hipotetis): Segmentasi agar Agregat Tidak Menyesatkan (Storytelling with People Data)
  • 36. Quote Penting (Rumusan Editorial): Temuan, Interpretasi, dan Rekomendasi Perlu Dibedakan
  • 37. Case Study (Hipotetis): Grafik Menyiratkan Sebab Akibat dari Hubungan Korelasional
  • 38. Key Takeaways: Penyajian Temuan Data SDM; Prioritas Bisnis dan Pilihan Organisasi; Strategi People Analytics
  • 39. Closing: Susun Rekomendasi untuk Grafik Menyiratkan Sebab Akibat dari Hubungan Korelasional
  • 40. References: CIPD People Analytics; kamus data; dokumentasi metode serta hasil validasi (Storytelling with People Data)

BAB 11: Analytics for Talent Acquisition

40 pelajaran
  • 01. Analytics for Talent Acquisition
  • 02. Why: Perbandingan Kanal Rekrutmen Tidak Memperhitungkan Jenis Jabatan
  • 03. Outline: Analisis Recruitment Funnel; Strategi Penemuan Kandidat; Arsitektur Sistem Seleksi; Validitas Prosedur Seleksi; Desain Metrik dan Dashboard SDM; Pemodelan Prediktif Data SDM
  • 04. Tujuan dan Capaian: Menilai Analisis Recruitment Funnel; Menyusun Arsitektur Sistem Seleksi; Menguji Pemodelan Prediktif Data SDM
  • 05. Analytics for Talent Acquisition: Definisi Tahap Funnel yang Konsisten
  • 06. Analytics for Talent Acquisition: Conversion Rate Antar Tahap Seleksi
  • 07. Analytics for Talent Acquisition: Time-to-Fill dan Time-to-Hire
  • 08. Analytics for Talent Acquisition: Cost-per-Hire serta Batas Komponennya
  • 09. Analytics for Talent Acquisition: Offer Acceptance dan Alasan Penolakan
  • 10. Analytics for Talent Acquisition: Persona Kandidat untuk Peran Sasaran
  • 11. Analytics for Talent Acquisition: Direct Sourcing dan Boolean Search
  • 12. Analytics for Talent Acquisition: Referral serta Komunitas Profesional
  • 13. Analytics for Talent Acquisition: Evaluasi Produktivitas Kanal Sourcing
  • 14. Analytics for Talent Acquisition: Penyusunan Talent Longlist yang Dapat Ditelusuri
  • 15. Analytics for Talent Acquisition: Kriteria Kinerja sebagai Outcome
  • 16. Analytics for Talent Acquisition: Urutan serta Kombinasi Alat Seleksi
  • 17. Analytics for Talent Acquisition: Multiple Hurdles dan Compensatory Model
  • 18. Analytics for Talent Acquisition: Cut Score serta Konsekuensi Error
  • 19. Analytics for Talent Acquisition: Pemantauan Validitas setelah Implementasi
  • 20. Analytics for Talent Acquisition: Analisis Pekerjaan sebagai Dasar
  • 21. Analytics for Talent Acquisition: Criterion-Related Validation
  • 22. Analytics for Talent Acquisition: Content-Related Evidence
  • 23. Analytics for Talent Acquisition: Cross-Validation pada Sampel Lain
  • 24. Analytics for Talent Acquisition: Kesesuaian Bukti dengan Penggunaan Skor
  • 25. Analytics for Talent Acquisition: Definisi Populasi serta Periode Pengukuran
  • 26. Analytics for Talent Acquisition: Numerator, Denominator, dan Unit Analisis
  • 27. Analytics for Talent Acquisition: Segmentasi agar Agregat Tidak Menyesatkan
  • 28. Analytics for Talent Acquisition: Ambang Interpretasi serta Konteks Pembanding
  • 29. Analytics for Talent Acquisition: Data Owner dan Jadwal Pembaruan
  • 30. Analytics for Talent Acquisition: Definisi Target serta Horizon Prediksi
  • 31. Analytics for Talent Acquisition: Train-Test Split yang Mempertimbangkan Waktu
  • 32. Analytics for Talent Acquisition: Data Leakage dan Variabel Proksi
  • 33. Analytics for Talent Acquisition: Discrimination, Calibration, dan Error
  • 34. Analytics for Talent Acquisition: Monitoring Drift serta Batas Penggunaan Model
  • 35. Worked Example (Hipotetis): Referral serta Komunitas Profesional (Analytics for Talent Acquisition)
  • 36. Quote Penting (Rumusan Editorial): Kecepatan Rekrutmen Perlu Dibaca Bersama Mutu Hasil Seleksi (Analytics for Talent Acquisition)
  • 37. Case Study (Hipotetis): Perbandingan Kanal Rekrutmen Tidak Memperhitungkan Jenis Jabatan
  • 38. Key Takeaways: Analisis Recruitment Funnel; Arsitektur Sistem Seleksi; Pemodelan Prediktif Data SDM
  • 39. Closing: Susun Rekomendasi untuk Perbandingan Kanal Rekrutmen Tidak Memperhitungkan Jenis Jabatan
  • 40. References: CIPD People Analytics; kamus data; dokumentasi metode serta hasil validasi (Analytics for Talent Acquisition)

BAB 12: Analytics for Learning & Development

40 pelajaran
  • 01. Analytics for Learning & Development
  • 02. Why: Dampak Pelatihan Diukur Hanya dari Completion Rate
  • 03. Outline: Evaluasi Pembelajaran dan Transfer; Transfer Hasil Pembelajaran; Analisis Biaya dan Manfaat Program; Desain Metrik dan Dashboard SDM; Pemodelan Prediktif Data SDM; Mutu serta Integritas Data SDM
  • 04. Tujuan dan Capaian: Menilai Evaluasi Pembelajaran dan Transfer; Menyusun Analisis Biaya dan Manfaat Program; Menguji Mutu serta Integritas Data SDM
  • 05. Analytics for Learning & Development: Reaksi Peserta serta Relevansi Materi
  • 06. Analytics for Learning & Development: Pengukuran Penguasaan sebelum dan sesudah Belajar
  • 07. Analytics for Learning & Development: Perubahan Perilaku di Tempat Kerja
  • 08. Analytics for Learning & Development: Hasil Bisnis dan Masalah Atribusi
  • 09. Analytics for Learning & Development: Pengaruh Dukungan Atasan terhadap Transfer
  • 10. Analytics for Learning & Development: Kesempatan Menerapkan Keterampilan
  • 11. Analytics for Learning & Development: Dukungan Atasan serta Rekan
  • 12. Analytics for Learning & Development: Kesamaan Latihan dan Tuntutan Tugas
  • 13. Analytics for Learning & Development: Pengukuran Perilaku setelah Program
  • 14. Analytics for Learning & Development: Penanganan Hambatan Transfer
  • 15. Analytics for Learning & Development: Komponen Biaya Langsung serta Tidak Langsung
  • 16. Analytics for Learning & Development: Monetisasi Manfaat yang Dapat Dipertanggungjawabkan
  • 17. Analytics for Learning & Development: Rumus ROI dan Penjelasan Asumsi
  • 18. Analytics for Learning & Development: Skenario Sensitivitas serta Ketidakpastian
  • 19. Analytics for Learning & Development: Manfaat Nonfinansial di Luar Perhitungan ROI
  • 20. Analytics for Learning & Development: Definisi Populasi serta Periode Pengukuran
  • 21. Analytics for Learning & Development: Numerator, Denominator, dan Unit Analisis
  • 22. Analytics for Learning & Development: Segmentasi agar Agregat Tidak Menyesatkan
  • 23. Analytics for Learning & Development: Ambang Interpretasi serta Konteks Pembanding
  • 24. Analytics for Learning & Development: Data Owner dan Jadwal Pembaruan
  • 25. Analytics for Learning & Development: Definisi Target serta Horizon Prediksi
  • 26. Analytics for Learning & Development: Train-Test Split yang Mempertimbangkan Waktu
  • 27. Analytics for Learning & Development: Data Leakage dan Variabel Proksi
  • 28. Analytics for Learning & Development: Discrimination, Calibration, dan Error
  • 29. Analytics for Learning & Development: Monitoring Drift serta Batas Penggunaan Model
  • 30. Analytics for Learning & Development: Definisi Field dan Identitas Unik
  • 31. Analytics for Learning & Development: Missing Data serta Ketidakkonsistenan
  • 32. Analytics for Learning & Development: Rekonsiliasi Antar Sistem
  • 33. Analytics for Learning & Development: Validasi Periode dan Riwayat Perubahan
  • 34. Analytics for Learning & Development: Dokumentasi Lineage Data
  • 35. Worked Example (Hipotetis): Kesamaan Latihan dan Tuntutan Tugas
  • 36. Quote Penting (Rumusan Editorial): Completion Rate Tidak Cukup untuk Menyimpulkan Efektivitas (Analytics for Learning & Development)
  • 37. Case Study (Hipotetis): Dampak Pelatihan Diukur Hanya dari Completion Rate
  • 38. Key Takeaways: Evaluasi Pembelajaran dan Transfer; Analisis Biaya dan Manfaat Program; Mutu serta Integritas Data SDM
  • 39. Closing: Susun Rekomendasi untuk Dampak Pelatihan Diukur Hanya dari Completion Rate
  • 40. References: CIPD People Analytics; kamus data; dokumentasi metode serta hasil validasi (Analytics for Learning & Development)

BAB 13: Analytics for Performance & Rewards

40 pelajaran
  • 01. Analytics for Performance & Rewards
  • 02. Why: Rating Kinerja Digunakan tanpa Memeriksa Bias Antar Manajer
  • 03. Outline: Arsitektur Manajemen Kinerja; Hubungan Kinerja dan Imbalan; Analisis Kesetaraan Imbalan; Pemodelan Biaya Insentif Penjualan; Desain Metrik dan Dashboard SDM; Pemodelan Prediktif Data SDM
  • 04. Tujuan dan Capaian: Menilai Arsitektur Manajemen Kinerja; Menyusun Analisis Kesetaraan Imbalan; Menguji Pemodelan Prediktif Data SDM
  • 05. Analytics for Performance & Rewards: Tujuan Pengembangan dan Akuntabilitas
  • 06. Analytics for Performance & Rewards: Siklus Sasaran, Umpan Balik, dan Review
  • 07. Analytics for Performance & Rewards: Penilaian Hasil serta Perilaku
  • 08. Analytics for Performance & Rewards: Peran Pegawai dan Manajer
  • 09. Analytics for Performance & Rewards: Pemisahan Bukti Kinerja dari Kesan Pribadi
  • 10. Analytics for Performance & Rewards: Kelayakan Penerima Kenaikan atau Bonus
  • 11. Analytics for Performance & Rewards: Hubungan Rating dan Matriks Pembayaran
  • 12. Analytics for Performance & Rewards: Pengaruh Posisi Gaji terhadap Kenaikan
  • 13. Analytics for Performance & Rewards: Batas Anggaran dan Kalibrasi Pembayaran
  • 14. Analytics for Performance & Rewards: Risiko Perilaku akibat Insentif yang Salah
  • 15. Analytics for Performance & Rewards: Pemetaan Kelompok Pembanding yang Layak
  • 16. Analytics for Performance & Rewards: Unadjusted dan Adjusted Pay Gap
  • 17. Analytics for Performance & Rewards: Variabel Jabatan, Masa Kerja, dan Lokasi
  • 18. Analytics for Performance & Rewards: Pemeriksaan Outlier serta Kesenjangan Individual
  • 19. Analytics for Performance & Rewards: Rencana Remediasi dan Monitoring
  • 20. Analytics for Performance & Rewards: Distribusi Pencapaian Kuota
  • 21. Analytics for Performance & Rewards: Simulasi Payout per Peran
  • 22. Analytics for Performance & Rewards: Cost of Sales pada Berbagai Skenario
  • 23. Analytics for Performance & Rewards: Sensitivitas terhadap Deal Besar
  • 24. Analytics for Performance & Rewards: Rekonsiliasi Accrual dan Pembayaran
  • 25. Analytics for Performance & Rewards: Definisi Populasi serta Periode Pengukuran
  • 26. Analytics for Performance & Rewards: Numerator, Denominator, dan Unit Analisis
  • 27. Analytics for Performance & Rewards: Segmentasi agar Agregat Tidak Menyesatkan
  • 28. Analytics for Performance & Rewards: Ambang Interpretasi serta Konteks Pembanding
  • 29. Analytics for Performance & Rewards: Data Owner dan Jadwal Pembaruan
  • 30. Analytics for Performance & Rewards: Definisi Target serta Horizon Prediksi
  • 31. Analytics for Performance & Rewards: Train-Test Split yang Mempertimbangkan Waktu
  • 32. Analytics for Performance & Rewards: Data Leakage dan Variabel Proksi
  • 33. Analytics for Performance & Rewards: Discrimination, Calibration, dan Error
  • 34. Analytics for Performance & Rewards: Monitoring Drift serta Batas Penggunaan Model
  • 35. Worked Example (Hipotetis): Pengaruh Posisi Gaji terhadap Kenaikan
  • 36. Quote Penting (Rumusan Editorial): Penilaian Memerlukan Ekspektasi serta Bukti Kinerja (Analytics for Performance & Rewards)
  • 37. Case Study (Hipotetis): Rating Kinerja Digunakan tanpa Memeriksa Bias Antar Manajer
  • 38. Key Takeaways: Arsitektur Manajemen Kinerja; Analisis Kesetaraan Imbalan; Pemodelan Prediktif Data SDM
  • 39. Closing: Susun Rekomendasi untuk Rating Kinerja Digunakan tanpa Memeriksa Bias Antar Manajer
  • 40. References: CIPD People Analytics; kamus data; dokumentasi metode serta hasil validasi (Analytics for Performance & Rewards)

BAB 14: Vendor Evaluation for People Analytics Tools

40 pelajaran
  • 01. Vendor Evaluation for People Analytics Tools
  • 02. Why: Vendor Mengklaim Akurasi Prediksi tanpa Bukti Validasi Lokal
  • 03. Outline: Seleksi dan Pengawasan Penyedia; Strategi People Analytics; Integrasi Sistem dan Data SDM; Keamanan Sistem SDM; Mutu serta Integritas Data SDM; Analisis Biaya dan Manfaat Program
  • 04. Tujuan dan Capaian: Menilai Seleksi dan Pengawasan Penyedia; Menyusun Integrasi Sistem dan Data SDM; Menguji Analisis Biaya dan Manfaat Program
  • 05. Vendor Evaluation for People Analytics Tools: Kebutuhan Fungsional serta Teknis
  • 06. Vendor Evaluation for People Analytics Tools: Uji Skenario pada Demo Penyedia
  • 07. Vendor Evaluation for People Analytics Tools: Kriteria Penilaian dan Bukti Klaim
  • 08. Vendor Evaluation for People Analytics Tools: SLA, Dukungan, dan Hak Keluar
  • 09. Vendor Evaluation for People Analytics Tools: Total Cost of Ownership serta Ketergantungan Vendor
  • 10. Vendor Evaluation for People Analytics Tools: Pertanyaan Bisnis sebelum Memilih Metode
  • 11. Vendor Evaluation for People Analytics Tools: Descriptive, Diagnostic, dan Predictive Analytics
  • 12. Vendor Evaluation for People Analytics Tools: Kebutuhan Kompetensi Tim Analitik
  • 13. Vendor Evaluation for People Analytics Tools: Prioritas Use Case menurut Nilai dan Kelayakan
  • 14. Vendor Evaluation for People Analytics Tools: Batas Analitik sebagai Pendukung Keputusan
  • 15. Vendor Evaluation for People Analytics Tools: Sumber Acuan untuk Identitas Pegawai
  • 16. Vendor Evaluation for People Analytics Tools: Pemetaan Field Antar Aplikasi
  • 17. Vendor Evaluation for People Analytics Tools: API, Batch, dan Frekuensi Sinkronisasi
  • 18. Vendor Evaluation for People Analytics Tools: Penanganan Kegagalan serta Rekonsiliasi
  • 19. Vendor Evaluation for People Analytics Tools: Pengendalian Hak Akses Antar Sistem
  • 20. Vendor Evaluation for People Analytics Tools: Akses Berbasis Peran serta Least Privilege
  • 21. Vendor Evaluation for People Analytics Tools: Otentikasi dan Pengelolaan Akun
  • 22. Vendor Evaluation for People Analytics Tools: Enkripsi serta Perlindungan Data Sensitif
  • 23. Vendor Evaluation for People Analytics Tools: Audit Log dan Respons Insiden
  • 24. Vendor Evaluation for People Analytics Tools: Penutupan Akses saat Pegawai Keluar
  • 25. Vendor Evaluation for People Analytics Tools: Definisi Field dan Identitas Unik
  • 26. Vendor Evaluation for People Analytics Tools: Missing Data serta Ketidakkonsistenan
  • 27. Vendor Evaluation for People Analytics Tools: Rekonsiliasi Antar Sistem
  • 28. Vendor Evaluation for People Analytics Tools: Validasi Periode dan Riwayat Perubahan
  • 29. Vendor Evaluation for People Analytics Tools: Dokumentasi Lineage Data
  • 30. Vendor Evaluation for People Analytics Tools: Komponen Biaya Langsung serta Tidak Langsung
  • 31. Vendor Evaluation for People Analytics Tools: Monetisasi Manfaat yang Dapat Dipertanggungjawabkan
  • 32. Vendor Evaluation for People Analytics Tools: Rumus ROI dan Penjelasan Asumsi
  • 33. Vendor Evaluation for People Analytics Tools: Skenario Sensitivitas serta Ketidakpastian
  • 34. Vendor Evaluation for People Analytics Tools: Manfaat Nonfinansial di Luar Perhitungan ROI
  • 35. Worked Example (Hipotetis): Kebutuhan Kompetensi Tim Analitik (Vendor Evaluation for People Analytics Tools)
  • 36. Quote Penting (Rumusan Editorial): Klaim Penyedia Perlu Diuji dengan Skenario yang Relevan (Vendor Evaluation for People Analytics Tools)
  • 37. Case Study (Hipotetis): Vendor Mengklaim Akurasi Prediksi tanpa Bukti Validasi Lokal
  • 38. Key Takeaways: Seleksi dan Pengawasan Penyedia; Integrasi Sistem dan Data SDM; Analisis Biaya dan Manfaat Program
  • 39. Closing: Susun Rekomendasi untuk Vendor Mengklaim Akurasi Prediksi tanpa Bukti Validasi Lokal
  • 40. References: CIPD People Analytics; kamus data; dokumentasi metode serta hasil validasi (Vendor Evaluation for People Analytics Tools)

BAB 15: Capstone: Building People Analytics Function

40 pelajaran
  • 01. Capstone: Building People Analytics Function
  • 02. Why: Fungsi People Analytics Belum Memiliki Data Owner
  • 03. Outline: Prioritas Bisnis dan Pilihan Organisasi; Strategi People Analytics; Kematangan Fungsi Analitik; Mutu serta Integritas Data SDM; Pelindungan Data Pegawai dan Kandidat; Penyajian Temuan Data SDM
  • 04. Tujuan dan Capaian: Menilai Prioritas Bisnis dan Pilihan Organisasi; Menyusun Kematangan Fungsi Analitik; Menguji Penyajian Temuan Data SDM
  • 05. Capstone: Building People Analytics Function: Sasaran Bisnis yang Memerlukan Intervensi SDM
  • 06. Capstone: Building People Analytics Function: Pemetaan Kebutuhan Pemangku Kepentingan
  • 07. Capstone: Building People Analytics Function: Batas Anggaran dan Kapasitas Implementasi
  • 08. Capstone: Building People Analytics Function: Kriteria Memilih Alternatif Intervensi
  • 09. Capstone: Building People Analytics Function: Hubungan Hasil SDM dengan Hasil Bisnis
  • 10. Capstone: Building People Analytics Function: Pertanyaan Bisnis sebelum Memilih Metode
  • 11. Capstone: Building People Analytics Function: Descriptive, Diagnostic, dan Predictive Analytics
  • 12. Capstone: Building People Analytics Function: Kebutuhan Kompetensi Tim Analitik
  • 13. Capstone: Building People Analytics Function: Prioritas Use Case menurut Nilai dan Kelayakan
  • 14. Capstone: Building People Analytics Function: Batas Analitik sebagai Pendukung Keputusan
  • 15. Capstone: Building People Analytics Function: Ketersediaan Data serta Standar Definisi
  • 16. Capstone: Building People Analytics Function: Kemampuan Analisis dan Eksperimen
  • 17. Capstone: Building People Analytics Function: Hubungan Tim Analitik dengan Pengambil Keputusan
  • 18. Capstone: Building People Analytics Function: Governance serta Reproducibility
  • 19. Capstone: Building People Analytics Function: Roadmap Peningkatan Kematangan
  • 20. Capstone: Building People Analytics Function: Definisi Field dan Identitas Unik
  • 21. Capstone: Building People Analytics Function: Missing Data serta Ketidakkonsistenan
  • 22. Capstone: Building People Analytics Function: Rekonsiliasi Antar Sistem
  • 23. Capstone: Building People Analytics Function: Validasi Periode dan Riwayat Perubahan
  • 24. Capstone: Building People Analytics Function: Dokumentasi Lineage Data
  • 25. Capstone: Building People Analytics Function: Tujuan serta Dasar Pemrosesan Data
  • 26. Capstone: Building People Analytics Function: Pembatasan Data yang Dikumpulkan
  • 27. Capstone: Building People Analytics Function: Akses Berbasis Peran dan Pencatatan Aktivitas
  • 28. Capstone: Building People Analytics Function: Retensi, Penghapusan, dan Permintaan Individu
  • 29. Capstone: Building People Analytics Function: Penanganan Insiden serta Pengungkapan Terbatas
  • 30. Capstone: Building People Analytics Function: Pertanyaan Keputusan yang Hendak Dijawab
  • 31. Capstone: Building People Analytics Function: Grafik yang Sesuai dengan Bentuk Data
  • 32. Capstone: Building People Analytics Function: Pembedaan Temuan, Interpretasi, dan Rekomendasi
  • 33. Capstone: Building People Analytics Function: Ketidakpastian serta Keterbatasan Data
  • 34. Capstone: Building People Analytics Function: Ringkasan Keputusan untuk Pimpinan
  • 35. Worked Example (Hipotetis): Kebutuhan Kompetensi Tim Analitik (Capstone: Building People Analytics Function)
  • 36. Quote Penting (Rumusan Editorial): Pilihan Intervensi Perlu Menjawab Kebutuhan Bisnis yang Jelas (Capstone: Building People Analytics Function)
  • 37. Case Study (Hipotetis): Fungsi People Analytics Belum Memiliki Data Owner
  • 38. Key Takeaways: Prioritas Bisnis dan Pilihan Organisasi; Kematangan Fungsi Analitik; Penyajian Temuan Data SDM
  • 39. Closing: Susun Rekomendasi untuk Fungsi People Analytics Belum Memiliki Data Owner
  • 40. References: CIPD People Analytics; kamus data; dokumentasi metode serta hasil validasi (Capstone: Building People Analytics Function)

Persyaratan

  • Memiliki pemahaman dasar tentang MSDM, perilaku organisasi, atau konsultasi manajemen.

Deskripsi

Strategi analisis data HR, model prediksi turnover, listening survey karyawan, dan data storytelling terstruktur.

Instruktur

Konsuli Team

Instruktur Professional

0 Ulasan 0 Siswa 0 Modul 258 Ebook Interaktif

Tim Instruktur Profesional Konsuli yang berdedikasi untuk memberikan pelatihan berkualitas tinggi di bidang hukum, konstruksi, manajemen proyek, dan standar industri global.

Ulasan Pengguna

5.0

Rating Materi

5 Bintang
100%
4 Bintang
0%
3 Bintang
0%
2 Bintang
0%
1 Bintang
0%

Materi Terkait Yang Mungkin Anda Sukai

Talent Acquisition Strategy
-66%
SLIDES Terlaris Foundation

Talent Acquisition Strategy

Konsuli Team

5.0
(1)
600 Slide • Sertifikat
Rp50.000 Rp149.000
Executive Search & Leadership Assessment
-66%
SLIDES Terlaris Professional

Executive Search & Leadership Assessment

Konsuli Team

5.0
(1)
600 Slide • Sertifikat
Rp50.000 Rp149.000
Succession Planning & Leadership Pipeline
-66%
SLIDES Terlaris Advanced

Succession Planning & Leadership Pipeline

Konsuli Team

5.0
(1)
600 Slide • Sertifikat
Rp50.000 Rp149.000
Harga Rp50.000