Effektiv lagerstyring: Optimalisering av omløpshastighet og kapitalbinding

Effektiv lagerstyring: Optimalisering av omløpshastighet og kapitalbinding

Når vi snakker om effektiv lagerstyring, er det to nøkkelbegreper som bør være i fokus: omløpshastighet og kapitalbinding. Disse begrepene spiller en avgjørende rolle i å sikre at din bedrift ikke bare overlever, men er godt posisjonert i et konkurranseutsatt marked. I dette blogginnlegget skal vi se på hva omløpshastighet og kapitalbinding er, samt viktigheten av å analysere og følge opp KPIer knyttet til disse.

Hva er omløpshastighet?

Omløpshastighet, også kjent som lageromløp, refererer til hvor mange ganger varelageret ditt blir solgt og erstattet i løpet av en gitt periode, vanligvis et år. Denne hastigheten gir en indikasjon på hvor effektivt bedriften din klarer å håndtere sitt varelager. Høy omløpshastighet indikerer at du selger varene raskt og effektivt, noe som frigjør kapital og reduserer risikoen for overlagring.

Hva er kapitalbinding?

Kapitalbinding refererer til den mengden kapital som er bundet opp i varelageret ditt til enhver tid. Høy kapitalbinding kan være problematisk, spesielt hvis etterspørselen etter varene plutselig faller eller hvis markedet endrer seg. Dette kan resultere i at midler som kunne vært investert i vekst, i stedet blir låst i usolgte varer.

Viktigheten av analyse

For å optimalisere omløpshastigheten og redusere kapitalbindingen er det avgjørende å bruke dataanalyse. Ved å forstå salgsmønstre, kundepreferanser, og markedstrender kan du bedre forutse etterspørsel og justere lagerbeholdningen deretter. Dette reduserer risikoen for overflødig lager og sikrer at du alltid har de riktige produktene tilgjengelige når kundene trenger dem. Analyse er også nøkkelen til å avdekke ineffektivitet og forbedringsområder i prosessene for lagerstyring.

Viktige KPIer for å følge opp omløpshastighet og kapitalbinding

For å optimalisere omløpshastigheten og kapitalbinding er det flere KPIer som er viktige å følge:

  • Lageromløpshastighet: Måler hvor ofte lageret blir solgt og erstattet, og gir en indikasjon på hvor effektivt lageret håndteres.
  • Gjennomsnittlig lagerbeholdningstid: Viser hvor mange dager det tar å selge ut lageret, og hjelper til med å forstå hvor raskt kapitalen frigjøres.
  • Gjennomsnittlig lagerverdi: Overvåker hvor mye kapital som er bundet opp i lageret over tid, noe som påvirker likviditeten.
  • Lagerverdi som andel av totale eiendeler: Viser hvor stor del av selskapets kapital som er bundet i lageret, og identifiserer potensial for kapitalfrigjøring.
  • Lageromkostninger: Måler kostnadene forbundet med å holde varer på lager, som påvirker både kapitalbinding og omløpshastighet.
  • Bestillingssyklus: Indikerer hvor raskt bestillinger behandles og varer fylles opp, noe som kan redusere behovet for høy lagerbeholdning.
  • Etterspørselsnøyaktighet: Måler hvor godt lagerbeholdningen stemmer overens med faktisk etterspørsel, som er kritisk for å optimalisere både omløpshastighet og kapitalbinding.

Ved å kombinere en solid forståelse av omløpshastighet og kapitalbinding med nøye analyse og oppfølging av de riktige KPIene, kan bedriften din forbedre lagerstyringen betydelig. Ved å kontinuerlig overvåke og justere disse faktorene, kan du ikke bare forbedre lønnsomheten, men også styrke bedriftens evne til å tilpasse seg endringer i markedet. I en verden hvor konkurransen er hard, og marginene ofte er små, kan en effektiv lagerstyring være forskjellen mellom suksess og fiasko.

Hvordan utvikle lønnsrevisjonen?

Hvordan utvikle lønnsrevisjonen?

De som utvikler løsninger for lønnsrevisjonen, som vår partner HR Fokus, opplever at det finnes «50 nyanser av lønnsrevisjonen». Små variasjoner som krever stor grad av fleksibilitet for å kunne tilpasse løsningen slik at den passer ulike kunders syn og behov. Dette er variasjoner eller nyanser av samme løsning som har vært til stedet de siste 30 årene.

Den typiske lønnsrevisjonen

En beregnet pott/ forhandlingsrom fordeles ut i henhold til noen ulike prinsipper, garantibeløp, generelle tillegg og individuelle tillegg.
Summen av tilleggene skal tilsvare potten/ forhandlingsrommet.
Forslaget skal senere forankres, godkjennes og sertifiseres.

Digitalisering av lønnsrevisjonen

Alle har i prinsippet stoppet med penn og papir løsninger. De fleste i dag har en Excel-løsning for lønnsrevisjonen.
Noen har også en digital webløsning, men modellen er fortsatt den samme som da man begynte med lønnsrevisjon for 30 år siden.

Lønnsrevisjonen med vurderinger og måloppnåelse

Flere ønsker nå å utvikle prosessen rundt lønnsrevisjonen, slik at den går mot en utviklingssamtale hvor man vurderer og poengsetter vurderte kompetanser og måloppnåelse av ulike prestasjoner og som i neste steg gir lønnsøkning i kroner.

Her er en beskrivelse av denne prosessen:

Denne varianten av lønnsrevisjon med vurderinger og måloppnåelse kan kombineres med avtalens regler om garantilønn m.m.

I trinn 2, oppsummeringsdelen, grupperer du resultatene slik at du ser antall personer og deres lønnssum i hver gruppe. Deretter bestemmer du hvilken økning du skal gjøre for hver gruppe og avtaler at den totale økningen for alle er innenfor rammen av årets lønnsøkning.

Eksempler på hovedgrupper hvor du gjør en vurdering:

  • Profesjonell kompetanse
  • Strategisk kompetanse
  • Personlig kompetanse

Vurdering, summering og ny lønn i kroner basert på vurdering og måloppnåelse. En av fordelene med denne varianten av lønnsrevisjon er at lønnskriteriene kan gjøres tydeligere. Dialogen om vurderingen med den ansatte viser på hvilke områder de kan forbedre seg for å få en bedre lønnsutvikling.

Disse hovedgruppene kan også bestå av flere undergrupper. Andre nøyer seg med vurdering på 2-3 områder, men med samme modell som over.

 

Kilde: HR Fokus

Hvorfor mangfold er viktig i beslutningsprosesser

Hvorfor mangfold er viktig i beslutningsprosesser

Mangfold er viktig for bedrifter. Ikke bare fordi det er det rette å gjøre, men også fordi det er det smarte å gjøre. Bedrifter med mer mangfoldig personale utmerker seg i beslutningstaking og overgår sine likemenn økonomisk.

For mange virker mangfold bra i teorien, men vanskelig å gjennomføre. Men å ha en mer mangfoldig arbeidsstyrke er verdt innsatsen. Vi skal se på hvordan mangfold kan hjelpe organisasjoner med å fremme en kultur som muliggjør bedre forretningsbeslutninger. Vi skal også se på én ingrediens som er avgjørende for å bygge mangfoldige og gode team.

Mangfold sett i arbeidslivet

I følge McKinsey & Company-undersøkelser har bedrifter i toppkvartilen for kjønnsmangfold 15 % større sannsynlighet for å overgå sine likemenn, og bedrifter i toppkvartilen for etnisk mangfold har 35 % større sannsynlighet for å overgå sine likemenn.
Mens McKinsey-forskere advarer om at korrelasjon ikke er lik årsakssammenheng, mener de at flere forskjellige selskaper er i bedre stand til å:

  • Vinne topptalent
  • Forbedre kundeorienteringen
  • Forbedre ansattes tilfredshet
  • Forbedre beslutningstaking

I tillegg er bedre beslutningstaking nøkkelen til bedre økonomisk avkastning. Ifølge forskning utført av Bain og Co., er beslutningseffektivitet og økonomiske resultater korrelert til et 95 % konfidensnivå. De selskapene som er mest effektive til å ta beslutninger, har økonomisk avkastning nesten 6 % høyere enn andre selskaper.

Betydningen av mangfold i beslutningstaking

Så hva er det med mangfold som gjør det mulig for bedrifter å ta bedre beslutninger? Det har blitt utført mye forskning på dette området, og det ser ut til at selv om homogenitet kan lure folk til å tro at de tar bedre beslutninger (fordi alle er enige med hverandre), vil synspunkter som utfordrer hverandre spisse prestasjonen til teamene.

En Harvard Business Review-artikkel med tittelen «Diverse Teams Feel Less Comfortable – and That’s Why They Perform Better,» understreker dette poenget. Når de diskuterer en studie av beslutningstaking der deltakerne måtte løse et mordmysterium, skriver forfatterne:

On a homogenous team, people readily understand each other and collaboration flows smoothly, giving the sensation of progress. Dealing with outsiders causes friction, which feels counterproductive.

But in this case their judgments were starkly wrong. Among groups where all three original members didn’t already know the correct answer, adding an outsider versus an insider actually doubled their chance of arriving at the correct solution, from 29% to 60%. The work felt harder, but the outcomes were better.

En annen HBR-artikkel, «Why Diverse Teams Are Smarter,» gir noen av grunnene til at et mangfoldig team produserer bedre resultater. Disse årsakene inkluderer:

  • De fokuserer mer på fakta. Dette er fordi de kan granske hverandres handlinger nærmere. De blir mindre forankret i «gruppetenkning», noe som kan gjøre dem blinde for viktig informasjon.
  • De behandler fakta mer nøye. Dette er fordi de vurderer perspektiver til mennesker som tenker annerledes enn de selv gjør.
  • De er mer innovative. Dette er fordi konformitet fraråder innovativ tenkning; ulike perspektiver oppmuntrer til nye måter å se problemer på.

Fra innsikt til handling

Mens mangfold har vist seg å forbedre kvaliteten på beslutningstaking, sliter forskjellige team ofte med å gjennomføre disse beslutningene. Å gå fra innsikt til handling kan være vanskelig, rett og slett fordi, som tidligere nevnt, mindre homogene team føler seg mindre komfortable. Å faktisk gjennomføre disse beslutningene krever ikke bare mangfold, men også inkludering.

Inkludering: Den hemmelige ingrediensen for å stimulere mangfoldige team

Inkludering er drivkraften som fører gode beslutninger til godt utførte handlinger. Faktisk fant en studie av Cloverpop at de mest inkluderende teamene i både beslutningstaking og utførelse overgikk gjennomsnittlig team med 60 %.

Hvordan skiller inkludering seg fra mangfold? I følge Juliet Bourke og Andrea Espedido, som skrev: «Hvorfor inkluderende ledere er bra for organisasjoner, og hvordan man kan bli en«, er inkluderende ledelse «leadership that assures that all team members feel they are treated respectfully and fairly, are valued and sense that they belong, and are confident and inspired.»

Ifølge forfatternes forskning er inkluderende ledere:

  • 17 % mer sannsynlig å rapportere at de gir gode resultater
  • 20 % mer sannsynlig å si at de tar beslutninger av høy kvalitet
  • 29 % større sannsynlighet for å rapportere at de er samarbeidende

De fant også at en forbedring på 10 % i oppfatningen av inkludering på jobb, øker ansattes oppmøte med nesten én dag hvert år.

Hva kan din bedrift gjøre for å ta bedre beslutninger?

Å ta bedre beslutninger krever først en forpliktelse til mangfold. Det krever å bygge team som er alders-, kjønns-, etnisk og geografisk forskjellige. Ifølge Cloverpop-studien tar team som er forskjellige på alle disse områdene bedre forretningsbeslutninger 87 % av tiden.

For det andre trenger team inkluderende ledere som, ifølge Bourke og Espedido, behandler alle rettferdig og respektfullt, verdsetter deres meninger, gir en følelse av tilhørighet og får teammedlemmene til å føle seg psykologisk trygge.

For det tredje må teammedlemmer lytte og vurdere andres meninger. Når det kommer til data og analyse, vil mange si «tallene lyver ikke» og føler at det bare er én tolkning av dataene. Men ser du riktig på tallene? Har du vurdert årsakene til tallene? Kan du grave videre for å finne de grunnleggende årsakene? Sterk datatillit og styring kan hjelpe enormt her, men det hjelper også å vurdere andre synspunkter og komme til en felles konsensus om hva tallene viser og hvordan du bør respondere på det de viser deg.

Konklusjon

Mangfold er viktig. Det samme er inkludering. Dette er avgjørende for å bygge en kultur der ansatte føler seg verdsatt og velkomne, og det gjør dem mer produktive. Det bidrar også til å muliggjøre bedre beslutninger, noe som igjen hjelper den økonomiske prestasjonen til organisasjoner.

Er mangfold vanskelig? Ja. De fleste bedriftsledere vil oppsøke og omgi seg med mennesker som føler og handler slik de gjør. Det kan være vanskelig å gå over til nye måter å finne og rekruttere talenter på, samt bygge interne team. Men er mangfold verdt det? Både fra et menneskelig og et økonomisk synspunkt er svaret absolutt.

Kunstig intelligens: Fordeler og ulemper

Kunstig intelligens: Fordeler og ulemper

Når det kommer til kunstig intelligens, virker mulighetene uendelige. Fra livreddende medisinske fremskritt til å gjøre shopping mer praktisk for forbrukere. Folk drømmer om måtene AI kan hjelpe dem med å oppnå ting de aldri har vært i stand til før. Det er ikke uten begrunnelse – evnen AI har til å behandle økende datamengder på en raskere måte enn noen tidligere innovasjon noen gang kan gi utrolige gevinster. Men det er begrensninger, og noen føler at måten AI blir snakket om setter forventningene høyere enn de burde være. Hvor intelligent er kunstig intelligens? La oss ta en nærmere titt.

Hvordan AI brukes

I nesten alle bransjer kan du peke på en eller annen måte kunstig intelligens blir brukt for å gjøre en forskjell. Forskere bruker et AI-verktøy for å forutsi tap av arktisk havis. Det finnes utallige eksempler på måtene det medisinske feltet bruker AI på, inkludert alt fra biomedisinsk forskning og identifisering av sykdommer ved røntgen til oppgaver som journalføring eller utfylling av resepter.

AI er et område der pandemien kan ha ansporet vekst i stedet for å bremse den. Data fra PitchBook viser at nesten 38 milliarder dollar har blitt investert i AI-startups så langt i 2021, i takt med å doble beløpet fra 2020.

Dette tallet inkluderer ikke engang mengden forskning eller eksperimentering som fortsetter i feltet. Et team av computer science (informatikk) studenter ved Emory University jobber med å fremme en chatbot som kan gjøre logiske slutninger som kan holde dypere, mer nyanserte samtaler med mennesker. Det er til og med et skuespill skrevet og fremført live med AI – der et publikum ser på når skaperne av stykket ber AI-en om å produsere et manus som skuespillerne deretter skal fremføre. Og den øvelsen løser noen av problemene folk forbinder med kunstig intelligens.

Fallgruvene

Når folk refererer til oppgavene utført av AI, gjør de det i kjente termer. Intelligens er et begrep som brukes for å beskrive levende vesener – «naturlig» intelligens – som er grunnen til at den «kunstige» forskjellen er laget for AI. Og fordi AI bruker maskinlæring – der den kan finne ut hvordan noe er konstruert for å fortsette å utføre oppgaver uten konstant menneskelig innblanding – sies det å være i stand til å «tenke». Men sannheten er at enhver «tenkning» gjort av AI ledes av mennesker, og den mangelfulle verden som mennesker lever i.

Det er der skjevhet kommer inn i verden av kunstig intelligens. Organisasjoner bruker AI til å håndtere enorme mengder data – så mye at det generelt er lite effektivt for dem å ta seg tid til å gå gjennom disse dataene for problematisk informasjon. Som et resultat repliserer noe arbeid produsert av kunstig intelligens skjevhetene som kvinnehat, rasisme og homofobi, for eksempel, som er sett i den menneskelige verden. Så det AI-spillet? Det er uunngåelig noen ubehagelige øyeblikk som gjenspeiler AIs «forståelse» av verden.

Det samme gjelder med helseopplysninger. Alistair Erskine, sjef for digital helse ved Mass General Brigham, sa nylig på Smarter Healthcare-podcasten, «AI er avhengig av dataene som mater den. Og at data i noen tilfeller kan være veldig partiske, enten i måten de legges inn på, eller til og med på den måten at befolkningen er organisert innenfor ett område av markedet. [Også] Bare fordi modellen fungerte i dag, betyr det ikke at modellen kommer til å fungere bra i morgen. Den må kanskje trenes på nytt. Vi må hele tiden gå tilbake gjennom styringsmodellen vår og finne ut hvordan vi kan støtte den.» Med andre ord, intelligensaspektet ved AI er bare så intelligent som menneskene som tar det i bruk.

Å overvinne utfordringene

Et veldig viktig aspekt ved å finne en løsning på dette problemet er det faktum at så mange av menneskene som bruker og designer AI har identifisert problemet. De er godt klar over det og jobber med å løse det. Arbeidet som gjøres hos Emory er et godt eksempel på en AI-korreksjon. Den originale chatboten gjorde en god jobb, men jo lenger en samtale varte, desto dypere gikk AI inn i et samtaleflytskjema, noe som økte sjansene for at det ville gå glipp av poenget med et spørsmål. Den videreutviklingen av chatboten tillot AI å gjøre mer logiske slutninger dypere inn i en samtale. Løsningen var menneskedrevet. Som doktorgradsstudent Han He sier: «En datamaskin kan ikke håndtere tvetydighet, den kan bare håndtere struktur.» Mennesker sørger for strukturen.

Det er også lagt inn innsats på å løse problemet fra starten av nye prosjekter. Forskningssenter for kunstig intelligens, som for eksempel Athena, legger inn arbeid fra forskere for å sikre at senteret oppfyller målene for rase- og kjønnsmangfold i prosjektet.

Maksimer avkastningen med Collaborative Business Intelligence

Maksimer avkastningen med Collaborative Business Intelligence

Industristandarder utvikles hvert år på alle områder i virksomheten etter hvert som nye metoder og teknologier oppstår. Business intelligence har spesielt raske endringer på grunn av tilstrømningen av stadig mer avanserte operasjonelle systemer. Bedrifter i alle størrelser fra lokale kaffebarer til gigantiske selskaper prøver hele tiden å holde tritt med teknologiske innovasjoner i et forsøk på å øke avkastningen på investeringen.

Med mange organisasjoner som konkurrerer om å ta i bruk de nyeste gjennombruddene innen teknologi, dukker det alltid opp nye trender innen business intelligence. Howard Dresner, en av de lendende bransjeanalytikerne innen business intelligence, identifiserer mange av disse trendene i sin utgivelse av Dresner Advisory Services 2021 Self-Service Business Intelligence Market Study. Det er avgjørende at bedrifter holder øye med bransjedataene i stadig utvikling for å bedre forstå de beste strategiene for å maksimere avkastningen.

E-post og virtuelle møter er de mest ønskede metodene for samarbeid

Effektivt samarbeid og teamarbeid har alltid vært sentralt for vellykket forretningsadferd. Organisasjoner klarer imidlertid ofte ikke å utnytte potensialet sitt på grunn av ineffektive eller utdaterte metoder. Bedriftsledere og andre overordnede er ikke alltid i tråd med behovene til sine ansatte, og gir derfor ikke de nødvendige verktøyene for å lykkes. Heldigvis gir 2021 Self-Service Business Intelligence Market Study oss litt innsikt i hva disse behovene kan være.

Ifølge studien rapporterte nesten 80% av brukerne at de brukte e-post konstant eller ofte, mens nærmere 20% av brukerne rapporterte sporadisk bruk. Virtuelle møter var den mest populære samarbeidsformen, med mer enn 70% av brukerne rapporterte konstant eller ofte bruk, og nær 20% rapporterte sporadisk bruk. Som forventet overtok virtuelle møter alle andre former for samarbeid bortsett fra e-post under pandemien, med begge former for samarbeid nå vurdert som «Veldig viktig».

Økningen i popularitet til innebygde samarbeidsfunksjoner er også verdt å undersøke, da det kan være en indikasjon på en økende preferanse for økosystembasert kommunikasjon i motsetning til å benytte flere plattformer. Et spesielt bemerkelsesverdig funn var at organisasjoner som rapporterte «Fullstendig» eller «Noe vellykkede» business intelligence også rapporterte betydelig høyere bruk av innebygde samarbeidsfunksjoner sammenlignet med andre organisasjoner.

Collaborative BI får mer og mer anerkjennelse

Med den ubøyelige utviklingen av teknologi etter hvert år som går, er verdien av samarbeidende BI-funksjoner vitne til en kontinuerlig økning i industrienes anerkjennelse. Ifølge 2021 Self-Service Business Intelligence Market Study, har samarbeidende BI-funksjoner blitt vurdert som «Kritiske» eller «Veldig viktige» av mer enn 70% av respondentene siden 2019, med mer enn 90% av respondentene som vurderer collaborative BI som minimum «Viktig».

Det er også verdt å merke seg at sentimentet mot samarbeidende BI varierer mellom funksjoner, noe som indikerer at de spesifikke behovene til ulike avdelinger og virksomheter kan kreve deres egen unike tilnærming for å sikre at de får mest mulig ut av avkastningen. 2021 Self-Service Business Intelligence Market Study fant at en tredjedel eller flere av respondentene i Operations, R&D og Executive Management vurderte samarbeid som «Kritisk». På tvers av alle avdelingene fant mellom 60% og 90% av respondentene at samarbeidene BI var minst «Veldig viktig».

Studien fant også at den opplevde betydningen av samarbeidende BI korrelerer positivt med størrelsen på organisasjonen. Dette kan være et resultat av de økte tekniske kravene som er nødvendig for å lykkes med å drive et mer komplekst og spredt selskap.

Søke- og navigasjonsfunksjoner er de mest populære kravene

For å sikre at organisasjonen din tilbyr de nødvendige verktøyene for at de ansatte skal lykkes, må du først forså hvilke krav disse verktøyene må oppfylle. Ifølge 2021 Self-Service Business Intelligence Market Study var «søk og navigering etter innhold» og «del innhold og kommentarer» de viktigste BI-samarbeidskravene blant respondentene.

Tilsvarende, for oppfattet betydning, varierer preferansen for ulike samarbeidsfunksjoner også mellom funksjoner. BICC (business intelligence competency center) hadde flest krav over hele linjen, med spesiell interesse uttrykt i «søk og navigering etter innhold», «merk innhold», «del innhold» og «medforfatterinnhold». Ledelsen viste også en stor etterspørsel etter «kommenter innhold» og «del innhold» sammen med «brukerdefinerte grupper».

Lær mer for få mest mulig ut av BI

Som med all viktig og fremvoksende teknologi, må organisasjoner holde et våkent øye med trender innen BI for bedre å forstå hvordan de kan tilpasse seg den utviklende industrien. For å lære mer om hvordan organisasjonen din kan få mest mulig ut av nåværende trender innen BI, sjekk ut – «5 Analytics Trends and How Dimensional Insight Is Helping Customers Respond to Them«. 

Hvordan måle lønnsutviklingen?

Hvordan måle lønnsutviklingen?

Det er flere tiltak for å måle og forstå lønnsutvikling.

Her er noen begreper du kan begynne med før du begynner å måle lønnsutviklingen

 

Utvalg av personer/ populasjon

Hvilke personer bør inkluderes i utvalget, hvilken populasjon? Det er viktig å bestemme seg hvor hvilken gruppe som skal måles, er det alle ansatte, bare faste ansatte, eller bare personer med månedslønn? Skal det gjelde bare ansatte eller også innleide ansatte?

Målingstidspunkter

Lønnsutvikling er en endring mellom to tidspunkter, ofte samme tidspunkt på året i to år. Hvilke tider måler vi mellom? 1. mars hvert år, 1. november?

Konvertere lønnen til deltidsansatte til heltidslønn

Normalt beregnes heltidslønnen for deltidsansatte i forbindelse med lønnsrevisjon, men dette gjelder også ved måling av lønnsutvikling. En person med en faktisk lønn på NOK 15.000 og en sysselsettingsgrad på 50% konverteres til en heltidslønn på NOK 30.000.

Lønnsbegrep

Man må ta stilling til definisjonen av lønnsbegrepet. Skal man ha et «smalt» lønnsbegrep, kun ta med avtalt grunnlønn, eller skal man også regne inn faste lønnstillegg og/eller visse variable lønnstillegg.

Dette er noe man må avklare når man skal gjøre en lønnskartlegging, hva omfattes i vårt lønnsbegrep?

 

Lønnsutvikling med 3 forskjellige måter å måle på

Det er vanligvis snakk om tre forskjellige måter å måle lønnsutviklingen på og som gir litt forskjellige resultater.

Kollektiv lønnsutvikling

Man måler den totale lønnsutvikling for alle ansatte mellom to tidspunkt, dvs. personer som har sluttet og startet i løpet av de to måletidspunktene er inkludert. For eksempel, hvis en eldre går ut i pensjon med en relativt høy lønn og erstattes med en ny ansatt med lavere startlønn, påvirker det den kollektive lønnsutviklingen. Den kollektive lønnsutviklingen vil da være lavere enn om den med høyere lønn inkluderes i begge måletidspunktene.

Selvfølgelig kan det også være slik at en ny erstatning får høyere lønn enn den som slutter og bidrar til å heve den kollektive lønnsutviklingen, men vanligvis pleier personalomsetning å senke lønnsutviklingen.

Identiske individer

Identiske individer er et etablert begrep som brukes når man måler lønnsutviklingen. Dette betyr at du bare inkluderer personer som er til stede ved begge måletidspunkt og måler lønnsutviklingen per individ. Ansatte som har startet eller sluttet i løpet av måleperioden er ikke inkludert.

Identiske individer og identiske yrkeskoder

Når du måler etter dette tiltaket, måler du lønnsutviklingen for individer med samme yrke/yrkeskode. Ansatte som har startet eller sluttet i løpet av måleperioden eller har byttet yrke/yrkeskode er ikke inkludert.

Forskjellen mellom de tre ulike målingene

Det er en forskjell på ca. 1 prosent mellom den høyeste lønnsutviklingen – Identiske individer – og den laveste – kollektiv lønnsutvikling. Det ser ut til å være relativt stabilt gjennom årene for den offentlige sektoren. Dette kan forklares med det faktum at for identiske individer er det ingen effekt av at eldre erfarne blir erstattet av yngre mindre erfarne, og at et antall mennesker har gått videre til høyere mer betalte yrker.

Mellomalternativet – de som forblir i samme yrke, identiske individer og identiske yrkeskoder -har en litt høyere lønnsutvikling enn den kollektive lønnsutviklingen, men har ingen effekt på lønnskarrierer.

 

 

Kilde: Göran Klingberg, HR spesialist

Personalet – Hvordan måle bruken av din viktigste ressurs

Personalet – Hvordan måle bruken av din viktigste ressurs

«Personalet er vår viktigste ressurs. «Personalet står for 80% av alle våre kostnader».
Mange synes det kan være vanskelig å vite hvordan man skal måle ressursbruken av personalet, den viktigste og dyreste ressursen. 

 

Noen utfordringer:

En del jobber heltid, andre deltid eller timebasert. Ansatte begynner og slutter i løpet av året. 
Det er ulikt antall arbeidsdager i de forskjellige månedene ila året. Forskjellen mellom en måned med 23 arbeidsdager og en med 20 arbeidsdager er 15% (20/23). Jul- og påskeferie kan også være med på å gjøre forskjellene enda større, avhengig av hvor helgene lander i kalenderen. 

Hvordan skal man se på ferie, avspasering, foreldrepermisjon, betalt utdanning?
Om man er på kurs – jobber man da?
Det finnes flere måter å håndtere disse utfordringene for å måle ressursbruken av personalet. Her kommer noen modeller og begreper som ofte er brukt. 

 

Årsverk

Hvis man er ansatt på heltid og er ansatt hele året med feire, men ingen lengre ubetalt feire, vil det være det samme som 1 årsverk. 
To personer som er ansatt på 50% og jobber som nevnt over, vil også tilsvare ett årsverk. Betalt ferie ser man bort fra, det samme gjelder antall timer arbeidet. 

Antall årsverk er ikke det samme som antall ansatte, årsverk beskriver ressursbruken.

Timebaserte vikarer som jobber innimellom, hvordan måler man deres timer? I disse tilfellene kan man summere hvor mange timer de har jobbet under en måleperiode, måned eller kanskje ett år og dele disse timene med normalt antall timer arbeidet per måned eller år.

Antall timer arbeidet, eksklusiv ferie, pleier man å beregne til 1880 timer (52 uker x 40 timer – 5 uker ferie = 47×40=1880. Tar man med ferie blir det det 52×40=2080 timer).

 

Heltidsekvivalenter HTE/FTE

Heltidsekvivalenter HTE på norsk og FTE (Full Time Equivalent) på engelsk er ofte det samme som årsverk, men som kan ha en mer presis definisjon i ulike organisasjoner. 

HTE er ett sentralt nøkkeltall innenfor universiteter og høyskoler, og defineres og beregnes med disse reglene:

  • Ansettelsestid og med hensyn til ansettelses grad, 100% eller deltidsprosent.
  • Sykefravær over 14 dager på en måned med hensyn til stillingsprosent.
  • Ubetalt ferie over en hel måned med hensyn til stillingsprosent påvirker HTE

Eksempel:
En heltidsansatt uten fravær en måned blir 1HTE.
En heltidsansatt med permisjon halve måneden blir 1 HTE.
En heltidsansatt med sykefravær på 15 dager av 30 dager blir 0,5 HTE.

Antall HTE/FTE kan summeres per måned og år. Dette viser ressursbruken av personalet fordelt på ulike dimensjoner og kan sees i relasjon til prestasjoner.

Under kan man se ett eksempel på hvordan HTE/FTE kan brukes og presenteres. Eksempelet viser Lund universitet sin årsrapport 2019, avsnitt «Väsentliga uppgifter». Selv studentene presenteres som helårsytelser som kan sammenlignes med benyttet personalressurser.

 

HTE og arbeidstimer

HTE/FTE ser bort ifra hvor mange timer man faktisk jobber per måned, men har heller en bestemt definisjon som gjør det mulig å sammenligne ulike virksomheter, for eksempel prestasjoner mellom ulike universiteter.

Under kan du se et bilde på arbeidstimer og HTE:er. I eksempelet har en person jobbet overtid i januar, tatt avspasering ved påsketider og ferie i juli. Antall arbeidstimer varierer mye, men HTE verdien er 1,0 hver måned i dette eksempelet og følger reglene for universiteter. 

 

Personalregnskap i årsregnskapet for aksjeselskaper

I årsregnskapet skal det være informasjon om antall ansatte og «gjennomsnittlig antall ansatte».

Det er lov å gjøre en enkel bokføring der man regner antall ansatte ved to måletidspunkt i løpet av året. En annen metode er å ta hensyn til ansettelsesperioden, ansettelsesgrad og lengre ulønnet ferie/permisjon. Timeansatte blir konvertert til gjennomsnittlig antall ansatte, arbeidstimer/årlig arbeidstid satt til 1920. Overtid, avspasering og betalt ferie/permisjon sees bort ifra.

 

Kilde: Göran Klingberg, HR spesialist

Data analytics og AI i kappløpet etter en Korona-vaksine

Data analytics og AI i kappløpet etter en Korona-vaksine

Det jobbes på spreng etter en vaksine mot COVID-19 og hele verden følger med på vaksineutviklingen. Informasjonen generert fra vaksineforskningen skaper en enorm dataoverbelastning, alt fra kliniske studier og forskning til privat finansiering og nye teknologiske gjennombrudd. Dette krever en robust analyseplattform og kunstig intelligens for effektivt å gjøre rådata til positive resultater.

Dataanalyse vil være avgjørende for å kondensere de forskjellige datakildene til et rent håndterlig dashbord for profesjonelle til å fremme forbedringer. Når dette første datainnsamlingsproblemet er overvunnet, vil kunstig intelligens kunne få dyp, prediktiv innsikt i vaksineutviklingen, og dermed påskynde prosessen og gi bedre resultater.

Datainnsamlingsproblemet

Den store innsatsen på forskning og informasjon som genereres fra vaksineutvikling er svimlende. I den første uken i mars ble det for eksempel publisert 500 forskningsartikler om vaksineutvikling, i motsetning til 200 for hele februar måned. Denne tilstrømningen av forskning har bare blitt større ettersom vaksineutviklingen har nådd de senere stadiene.

Utover forskningsartikler, må vaksineutviklere gå gjennom legemiddelutvikling, finansieringspraksis og kliniske studier for å få et helhetlig syn på situasjonen. Dataanalyseplattformer er i stand til å sentralisere og standardisere disse store datasettene, slik at helsespesialister bedre kan forstå og bekjempe COVID-19.

Når vi snakker med Health IT Analytics, forklarer Julie Swann, PhD, professor og avdelingsleder for Fitts Department of Industrial and Systems Engineering ved North Carolina State University, en spesifikk brukssak av dataanalyse for å forstå antistoffdannelsen: «Det er mye usikkerhet om hvor mye immunitet som genereres ved å ha viruset første gangen. Data- og analyseteknologier vil hjelpe oss å bedre forstå det nivået av immunitet og hva det betyr for fremtiden.»

På grunn av immunitet endres basert på individets respons på viruset og hvor smittet de ble, er big data analytics nødvendig for å gjøre det store utvalget av individuelle tilfeller til handlingsbar innsikt.

Analytics gjør allerede en forskjell

Data analytics teknologi har allerede blitt implementert i kampen for en vaksine, spesielt innen forståelse av immunresponsen mot eksponering. Human Immunomics Initiative (HII) ved Harvard University er en felles innsats ved å bruke kunstig intelligensmodeller for å akselerere vaksineutviklingen. Programmet håper å kombinere omfattende datainnsamling av kliniske studier med big data analytics for å nå sine mål. HII er spesielt interessert i hvordan immunforsvaret samhandler med viruset i alders populasjoner.

Gjennom dataanalyse er forskerteam i stand til å samle og manipulere store datasett. Det banebrytende arbeidet de gjør med disse rene dataene, oppnås gjennom kunstig intelligens.

Innflytelsen fra AI i skapelsen av vaksiner og medisiner er en veldig ny utvikling. I februar i år ble den første medisinen noensinne utviklet med AI lagt frem, og ble fremmet av det japanske selskapet Sumitomo Dainippon Pharma. Den ble utviklet for å behandle tvangslidelse, men dette gjennombruddet har tydelig krysspåvirkning på all vaksinetesting fremover.

Gjennom bruk av algoritmer, var selskapets AI plattform i stand til å sile gjennom et stort antall datapunkter for å kombinere de perfekte settmolekylene som var nødvendige for en løsning. Sumitomo Dainippon Pharmas arbeid her er eksemplarisk for verdiskapningen ved hjelp av AI.

I den prekliniske forsøksfasen, kan AI brukes til å teste de mange kombinasjonene av molekyler som kan kombineres for å skape et effektivt medikament. En prosess som vanligvis koster milliarder av dollar og år med intensivt arbeid, kan nås gjennom algoritmer. Når det gjelder COVID-19, bruker selskaper som Atomwise denne teknologien for å fremskynde vaksineutviklingsprosessen. Ved å identifisere lovende molekylkombinasjoner, er AI i stand til å redusere den årelange prosessen ned til måneder.

En annen måte å se på denne prosessen er å tenke på at den fremskynder den vitenskapelige metoden, ifølge Murat Sonmez. Den vitenskapelige metoden begynner med en hypotese og tester den gjennom prøving og feiling for å komme til en konklusjon. For Sonmez, kan AI brukes til å øke hastigheten i de første trinnene i prosessen. For eksempel, er AI i stand til å skrive et stort antall hypoteser, som f.eks. om en enkelt sammensatt kombinasjon vil fungere, og teste den første levedyktigheten til resultatet. Når forbindelsen har gått gjennom den første testen, må den kjøres gjennom en grundigere, menneskelig ledet undersøkelse for å bevise sikkerheten. Den første skrivings- og testfasen som AI er i stand til å gjøre, er ekstremt effektivt når det gjelder å redusere tiden til forskningsprosessen.

Kombinasjonen av dataanalyse i samling og AI i testing vil være et viktig verktøy for å fremskynde oppdagelsen av COVID-19-vaksinen.

Ny vurdering av betydningen av data i en nedstengt økonomi

Ny vurdering av betydningen av data i en nedstengt økonomi

COVID-19-pandemien har påvirket hele verdensøkonomien. For noen selskaper har de siste månedene vært en turbulent periode, som de ikke vil kunne komme seg ut av. Andre selskaper prøver imidlertid å finne en vei videre i en situasjon med lite presedens.

I moderne forretningsvirksomhet, har det blitt vanlig for organisasjoner å utnytte historiske data når de skal planlegge fremover. Pandemien har bydd på mange ulike utfordringer, blant annet har mange bedrifter mangel på data som tidligere har kunne blitt brukt til å analysere seg ut av problematiske situasjoner. Vi skal se på hvordan dette har skjedd og hva organisasjoner kan gjøre for å tilpasse seg den nye normalen.

Prøver å finne en vei fremover

Mange forhandlere er avhengige av kundedata for å lykkes. Ved å se på handlemønstre og tidligere resultater, kan selskapene forutsi hvordan salget vil se ut og få en indikasjon på fremtidig prestasjon.

Tross nøye planlegging, har det vært vanskelig for bedrifter å forutse responsen av pandemien. Små bedrifter som har åpnet igjen etter nedstengingen i mars og april, kan se at en truende andre nedstenging kan bli for mye for dem. Andre bedrifter som har klart å holde åpent, opplever at de står overfor et annet problem.

En mangel på data

Rådet om å holde seg hjemme endret måten folk handlet på. Selv om rådene ble opphevet, er det mange som fortsatt ikke har gått tilbake til sine tidligere handlevaner. Dette har endret betydningen av dataene som bedrifter samler inn. I de fleste tilfeller har dette gjort at dataene har mistet mye av sin verdi, siden tidligere resultater ofte brukes til å forutsi fremtidig adferd. Det betyr at selv for selskaper som hadde stor suksess med bruk av data for å forbedre resultatene, nå kan måtte begynne med blanke ark.

Informasjonen som samles inn er ikke nødvendigvis noe annerledes nå enn det var tidligere, men det som har endret seg er betydningen av dataene og prioriteringene bedriftene legger til grunn for å tolke dem. For eksempel, forhandlere har alltid hatt vanskeligheter med å vite om en netthandler er en helt ny kunde eller om det er en som også har handlet i en fysisk butikk. Denne forskjellen spilte ikke så stor rolle tidligere, men nå har det mye mer å si for bedrifter. Nå trenger de en måte å finne ut nøyaktig hvem som kjøper produktene deres.

Hva bedrifter kan gjøre

Det kan være en fordel med dagens situasjon – ved at det tvinger organisasjoner til å se på data på en måte de kanskje ikke gjorde tidligere. Noe som kan åpne opp for nye muligheter for dem. For andre organisasjoner som lå lengre bak med datainnsamling, kan det være en sjanse til å komme seg opp på samme nivå som deres konkurrenter. For i øyeblikket har disse konkurrentene fått et tilbakeslag i bruken av deres data.

Situasjonen i dag vil sannsynligvis tvinge mange selskaper til å evaluere måten de bruker data på. Det er viktig for mange organisasjoner å vurdere dette nøye. Når de er ute etter å kutte kostnader, kan det være fristende å ta en ekstra titt på høye teknologikostander. Da er det viktig at de veier de potensielle langsiktige kostandene mot å miste disse dataene eller de ansatte som vet hvordan de skal tolke disse dataene.

Det store spørsmålet alle selskaper står overfor i hele verden er hva den nærmeste fremtiden vil bringe? Så langt har ingen vært i stand til å gi noen sikkerhet rundt disse dataene.

5 tiltak for å få mer ut av datavisualisering

5 tiltak for å få mer ut av datavisualisering

Per definisjon handler datavisualisering om å vise informasjon i et visuelt format. Folk blir ofte overveldet når de ser tall på et regneark eller som tekst i et dokument.

Datavisualisering kan gjøre mer enn bare å vise informasjonen. Det kan kontekstualisere dataene og gjøre det lettere å forstå. Noen spør seg: «Hvorfor er datavisualisering viktig?» Noen kan til og med mene at det ikke er verdt å forfølge.

Når det gjøres riktig, kan datavisualisering imidlertid skape fordeler som kan være vanskelig eller umulig å oppnå på annen måte. Her er fem ting du kan gjøre for å maksimere nytten av datavisualisering.

 

1. Bestem hvilken historie dataene skal fortelle

De fleste som jobber med figurer, er kjent med å sette dem inn i et grafikkdrevet format, men de vet kanskje ikke hvordan de skal bruke informasjonen de har til å fortelle en historie. Fortellinger beskriver ikke bare et scenario, men det engasjerer mennesker og oppfordrer dem til å komme med løsninger.

Ifølge James Richardson, senior director analyst i Gartner, «begynner en datahistorie som en hvilken som helst annen historie, med en begynnelse og en midt. Slutten skal imidlertid aldri være en fast hendelse, men snarere et sett med alternativer eller spørsmål for å utløse en handling fra publikum. Glem aldri at målet med en fortelling av data er å oppmuntre og gi liv til kritisk tenkning for beslutninger.»

Å fortelle en historie gjennom datavisualisering betyr ikke at folk setter sammen feil informasjon. I stedet presenterer de informasjonen på måter som hjelper publikum til å forstå den og føle seg mer informert.

 

2. Gi en klar og minneverdig uttalelse

Noen av de beste datavisualiseringene er både fine og informative. Hvis folk skaper dem for å fremme læring i en pedagogisk setting, for eksempel, kan de få mer ut av innsatsen ved å formatere funnene på en fin, men likevel på en måte som de kan relatere til.

En god visualisering gir en klar uttalelse, samtidig som den inviterer deg inn til å utforske dataene. Det er fortsatt mulig å få til et fint resultat uten å miste budskapet. En av fordelene med datavisualisering er at den kan kombinere kreativitet med harde fakta.

 

3. Kontroller nøyaktigheten til de presenterte dataene

Organisasjoner bruker datavisualiseringer for å overvinne problemer. Hvis en virksomhet for eksempel må overvinne en nedgang i forsyningskjeden, kan en datavisualisering hjelpe til med å finne årsaken. Uavhengig av grunnen til å bruke denne metoden, må de sjekke at detaljene er nøyaktige.

Ulike faktorer, inkludert dårlige fargevalg, feil skaleringsmetoder og avvik fra standardpraksis, kan gjøre tallene misvisende. Å skape nøyaktige sammenligninger og tenke på leserens behov kan imidlertid gi de beste resultatene.

 

4. Velg riktig visualiseringstype

Datavisualisering kan virke enkelt, men mange er ikke klar over at de trenger å velge riktig type grafikk for å støtte sine mål.

For eksempel fungerer både kulediagram og fossefall diagram for å vise fremgang mot et mål. I motsetning, er søylediagrammer ideelle for å sammenligne et enkelt mål på flere kategorier.

Det er viktig at selskaper velger riktig type visualisering og sikrer seg at det hjelper folk å trekke de riktige konklusjonene.

 

5. Vær åpen for å bruke færre datapunkter

Mange nettsider svarer på det viktige spørsmålet «Hvorfor er datavisualisering viktig?», men flere glemmer å si ifra til leserne at det ikke alltid er best å bruke hvert eneste datapunkt tilgjengelig. Hvis for eksempel et multinasjonalt drikkevareselskap bruker et kakediagram for å vise salgsprosent for 75 land, kan utfallet se overveldende ut, spesielt når noen nasjoner bare består av mange små deler.

Imidlertid er ett alternativ å vise topp 10-15 land og deretter gruppere resten i en enkelt kategori kalt «Annet.» Om nødvendig kan bedrifter lage flere grafer for å drille ned inn i resultatene for nasjonene i den divisjonen.

En mulighet er å kun distribuere salgsprosenter for hvert land til de ansatte tilknyttet de landene. Å vise alle prosentene på en gang for alle, kan vise seg å være for mye å fordøye.

 

Riktig presentasjon gir ideelle resultater

Fordelene med datavisualisering er rikelig, og bedriftseiere bør være ivrige etter å utnytte dem. Imidlertid, som disse tipsene viser, kan spesifikke datavisualiseringsstrategier gjøre resultatene enda mer imponerende.