De kosten van verzuim zijn dikwijls een flinke en ongewenste uitgave voor een bedrijf. Stel bijvoorbeeld dat een organisatie met 200 fte een verzuimpercentage heeft van 5%, niet ongebruikelijk bij een Nederlandse onderneming. Met een gemiddeld jaarloon van 40 duizend euro per medewerker bedraagt de jaarlijkse loonsom van die organisatie 8 miljoen euro. Uit verschillende hulpmiddelen voor de berekening van verzuimkosten (vervanging, arbodienstverlening, productieverlies en begeleiding) blijkt dat de verzuimkosten oplopen tot ruim 500.000 euro per jaar. Als diezelfde organisatie het verzuimpercentage weet te reduceren tot 4%, dan bespaart zij daarmee al een kleine 100.000 euro. Reden genoeg om verzuim grondig te analyseren.
Verzuim en HR Analytics
HR Analytics biedt organisaties door statistische analyses van HR-data inzicht in verbanden en trends. Verzuim is vanwege de hoge kosten ervan een populair onderwerp bij vragen rondom HR Analytics. Een voorbeeld. Bij de gemeente Den Haag is door data-analyses aan het licht gekomen dat vitaliteit, openheid en resultaatgerichtheid op het verzuim van invloed waren. Deze resultaten zijn meegenomen in het verzuimbeleid, met als gevolg dat het verzuim binnen twee jaar gedaald is met 0,6%. Een ander voorbeeld is een onderzoek van PostNL. Na data-analyses kwam men tot de conclusie dat het verzuim afneemt naarmate organisatiebetrokkenheid toeneemt. Vervolgens heeft het bedrijf gezocht naar manieren om de betrokkenheid van werknemers te verhogen, bijvoorbeeld door een goede relatie tussen werknemers en leidinggevenden te stimuleren.
Analyse verzuimcijfers
Voor HR Analytics-onderzoeken zoals hierboven beschreven zijn grote hoeveelheden data van verschillende variabelen nodig. Louter gegevens over verzuim zijn voor de analyse van dergelijke verbanden in principe niet voldoende. Vaak hebben organisaties de data van verschillende HR-variabelen niet paraat met als gevolg dat, ondanks de besparingen die mogelijk zijn, dergelijke HR Analytics-onderzoeken niet kunnen worden uitgevoerd. Om als organisatie in de toekomst HR Analytics-projecten uit te kunnen voeren, is het verstandig om zo snel mogelijk te beginnen met het verzamelen van data. Maar als slechts de verzuimgegevens bekend zijn, is het desondanks al zinvol om verzuimpercentages, verzuimduur en verzuimfrequentie tussen verschillende groepen in kaart te brengen. Dergelijke analyses maken namelijk inzichtelijk waar het verzuim zit. Vervolgens kan hier een effectief verzuimbeleid voor ontwikkeld worden om het verzuim terug te dringen.
Case
Human Capital Group heeft een vergelijkbare analyse gemaakt voor een kleine gemeente in de provincie Gelderland. Het was bekend bij deze gemeente dat het verzuimpercentage hoog was, maar waar dat hoge verzuim zat, was niet duidelijk. De gemeente wilde hier graag inzicht in, zodat gericht beleid ontwikkeld kon worden voor de groepen die het hoge verzuim veroorzaken. Qua beïnvloeders op verzuim hebben wij ons gericht op personele kenmerken als leeftijdscategorieën, afdelingen en geslacht, omdat er onvoldoende andere HR-data beschikbaar waren om mee te nemen in het onderzoek. Na het koppelen en opschonen van de verschillende databestanden zijn we begonnen met analyseren.
Uit een eerste analyse bleek dat het verzuimpercentage voornamelijk werd verklaard door langdurig verzuim (42+ dagen) en dat het steeg naarmate leeftijdscategorieën opliepen. Na diepere analyses op verzuimduur bleek dat het aandeel ouderen bij het kort verzuim (tot 8 dagen) klein was en het aandeel ouderen bij lang verzuim (42+ dagen) juist ontzettend groot. Geconcludeerd kon worden dat oudere werknemers niet zozeer vaker verzuimen dan jongeren (verzuimfrequentie), maar dat wanneer ouderen ziek zijn, dit vaak langer duurt – met tot gevolg een hoog verzuimpercentage voor de organisatie. De meest opvallende resultaten zijn gerapporteerd en besproken met de opdrachtgever. Wij hebben geadviseerd om het langdurig verzuimbegeleiding te analyseren en om na twee weken verzuim van werknemers een herstelplan te maken, zodat het langdurig verzuim gemanaged wordt. Hoewel het hoge verzuim vooral wordt veroorzaakt door het langdurig verzuim, zorgt het kortdurend verzuim voor de grootste verstoring binnen een organisatie.
Conclusie/tips
Als u inzicht wilt in het verzuim, maar uw organisatie nog geen data of instrumenten voorhanden heeft om de effecten van verschillende variabelen op verzuim te kunnen onderzoeken, begin dan met het analyseren van de data die er wel is. Zoals blijkt uit de beschreven case in de vorige alinea bieden analyses op het gebied van verzuimpercentages, verzuimfrequentie en verzuimduur al veel handvatten voor strategisch verzuimbeleid. Zorg dat u in de analyses onderscheid maakt tussen bijvoorbeeld de kenmerken geslacht, leeftijd, aantal jaren in dienst en functieschaal en dat u de resultaten rapporteert in inzichtelijke grafieken. Analyses als deze bieden een goede basis voor de uitbreiding tot HR Analytics-projecten waarin de verbanden van meerdere variabelen worden geanalyseerd.
Hulp nodig met het analyseren van verzuimdata? Neem contact op met wsijpesteijn@humancapitalgroup.nl of kijk op www.humancapitalgroup.nl