Il progetto di ricerca Valorizzare le differenze in azienda, che MIDA ha condotto in collaborazione con l’Università Cattolica, ha fatto emergere l’importanza della misurazione e dell’analisi dati nella strategia di gestione della diversità e dell’inclusione.
Una delle 5 azioni prioritarie emerse dai risultati delle interviste fatte ai responsabili DE&I di oltre 50 aziende italiane è infatti l’identificazione di sistemi di misura coerenti con le specificità del proprio contesto aziendale.
Ma quali approcci e metodologie possono essere utilizzati per fare un assessment rigoroso e sistemico della DE&I nella propria realtà aziendale? E come misurare gli impatti degli interventi di DE&I nel proprio specifico contesto?
Gli esperti di data science identificano tipicamente 3 livelli di analisi, che possono orientare la propria strategia di people analytics nella gestione della DE&I in azienda.
Analisi descrittiva
Il primo livello è quello dell’analisi descrittiva, che restituisce una fotografia del passato e del presente della propria organizzazione.
Come si applica
I tipici strumenti per la misurazione della DE&I si posizionano su questo livello e sfruttano dati osservativi e di percezione raccolti tramite dashboard, report aziendali o survey e interviste interne.
A quale domanda risponde
L’analisi e la visualizzazione di tali dati permettono di rispondere a domande come “qual è la percentuale di donne presente nei vari livelli aziendali?“, oppure “quali sono le caratteristiche (struttura, densità etc.) delle reti di relazioni nella mia organizzazione?”
Cosa si ottiene
La fotografia restituita da tali dati può essere statica (nel caso di una misurazione singola delle variabili di interesse) o dinamica (quando i dati vengono raccolti a intervalli regolari nel corso del tempo). Quando le misurazioni sono ripetute, si possono costruire visualizzazioni longitudinali, ovvero grafici che mostrano l’andamento di diverse metriche nel tempo.
Questi dati possono poi essere correlati con indicatori di business, per osservare la relazione tra cambiamenti nelle variabili di DE&I e, ad esempio, variazioni nella produttività o nella gestione del talento e know-how interno. Per quanto riguarda i dati osservativi e di percezione, la raccomandazione è quindi quella di muoversi il più possibile da una raccolta e analisi dati statica e cross-sezionale a una raccolta longitudinale ad alta frequenza, in modo da catturare variazioni nelle metriche di DE&I e correlarle con indicatori di business e/o eventi particolari nella vita dell’organizzazione.
Limiti
Come recita il detto: correlazione non implica causalità. Se i dati descrittivi possono, ad esempio, indicare una relazione tra variabili di DE&I e indicatori di business, una analisi puramente descrittiva non spiega il perché di tale relazione, e non approfondisce il processo attraverso il quale il cambiamento in una variabile si riflette sull’altra. Per generare tali insight abbiamo bisogno di applicare un secondo livello di analisi, ovvero quello dell’analisi predittiva.
Analisi predittiva
Come dice il nome, l’analisi predittiva si occupa di identificare i fattori che predicono e spiegano un determinato fenomeno.
A quale domanda risponde
Ad esempio: quali variabili predicono la percentuale di donne presenti nel CDA di una azienda? Oppure: possiamo spiegare un dato di business particolarmente positivo con un aumento nella percezione di inclusione nell’organizzazione?
Come si applica
Per condurre una analisi predittiva, sono necessari due passaggi fondamentali:
il primo è lo sviluppo di un modello teorico, preferibilmente sulla base di evidenze e letteratura scientifica, che ipotizzi la struttura delle relazioni tra le variabili considerate. Ad esempio, una review della letteratura potrebbe indicare che la percentuale di donne in CDA sia tipicamente determinata dal numero di donne assunte in entry level, da alcune caratteristiche delle reti di relazioni organizzative e dalla presenza di misure di welfare aziendale.
Il secondo step è l’analisi vera e propria, che utilizza metodologie statistiche per calcolare la magnitudine e significatività delle relazioni suggerite dal modello teorico.
Limiti
Anche l’analisi predittiva, però, ha alcune limitazioni, legate al fatto che tale approccio utilizza i dati del passato per fare previsioni sul futuro. La prima limitazione è il cosiddetto coded bias (oggetto dell’omonimo documentario su Netflix): le previsioni sul futuro possono essere distorte tanto quanto sono distorti (“biased”) i dati su cui sono basate.
La seconda limitazione può essere determinata dalla presenza di variabili non osservabili (cioè difficilmente misurabili o semplicemente assenti dal proprio set di dati), che possono confondere la relazione tra le variabili osservate e condurci a conclusioni errate. Per esempio, una ricerca pubblicata nel 2013 nel Journal of Business Ethics suggerisce che l’impatto di avere una donna a capo del CDA sulla strategia di responsabilità sociale dell’azienda possa essere offuscato da variabili difficilmente misurabili relative alla cultura e allo specifico contesto aziendale.
Analisi prescrittiva
Per questi motivi è importante integrare la propria strategia di misurazione con un terzo livello di analisi, ovvero quello prescrittivo. Tale approccio sfrutta il potere della sperimentazione controllata per generare prescrizioni coerenti con il proprio contesto organizzativo, ovvero raccomandazioni “azionabili” per manager e decision-maker. Ad esempio, l’introduzione di un programma volto ad aumentare la consapevolezza dei recruiter verso il “blind spot bias” (la convinzione di essere meno soggetti a bias della media), ha un impatto sull’aumento della diversità nelle assunzioni?
Come si applica
Per rispondere a questo genere di domande, lo strumento ideale è quello degli esperimenti randomizzati e controllati: una parte della popolazione target selezionata casualmente riceve l’intervento (es, il programma di riduzione del blind spot bias), mentre la parte restante costituisce il gruppo di controllo, ovvero non riceve alcun intervento (per equità, l’intervento può essere poi esteso al gruppo di controllo al termine della sperimentazione).
Tale metodologia è più complessa da implementare in un contesto aziendale, ma è l’unica a permettere di:
1) stabilire un chiaro nesso causale tra intervento e impatti
2) misurare gli effetti di breve e lungo termine dell’intervento progettato
3) osservare possibili effetti inattesi (sia positivi che negativi) dell’intervento.
