In base alla mia esperienza ritengo che, nel contesto della gestione delle risorse umane, un sistema per l’ottimizzazione e analisi delle performance non dovrebbe essere solo in grado di dare una panoramica di quale sia la situazione attuale. Dovrebbe invece riuscire a fornire un’indicazione di quale sia il probabile sviluppo della situazione attuale effettuando delle previsioni basate sui dati.

Il software che fornirebbe il supporto migliore, non dovrebbe, per esempio rilevare la situazione critica, o l’errato sfruttamento delle risorse umane, ma predire queste situazioni in anticipo così che un buon manager possa ideare una strategia correttiva adatta a correggere la situazione. Un buon supporto fornito dal software sarebbe se questo permettesse di simulare i risultati delle scelte fatte, anche seanche se un manager attento e consapevole dovrebbe in buona parte prevedere i possibili esiti del suo comportamento.

Ovviamente non sto dicendo che il software debba avere il dono della preveggenza, ma potrebbe sfruttare il fatto che la chiave per capire il futuro sta nel passato.

“Studia il passato se vuoi prevedere il futuro”
Confucio

L’analisi di un archivio storico può portare a capire delle regole che governano lo sviluppo del capitale umano in azienda. Per esempio un buon algoritmo di analisi potrebbe sintetizzare che spesso quando avvengono gli eventi A e B segue l’evento C, o che determinate situazioni sono moto simili ad altre già avvenute in passato e delle quali quindi conosciamo l’esito.

Dato un database contenente informazioni  sugli eventi passati e le conoscenze possedute dall’azienda, il Data Mining può essere uno strumento formidabile per molte delle attività che riguardano la gestione delle risorse umane come la pianificazione dei ruoli, gestire la formazione, scoprire e prevedere lo sviluppo dei talenti aziendali. Anche la selezione del personale può beneficiare di queste dell’informazione prodotta da queste tecniche.

Il Data Mining mette a disposizione diversi strumenti che possono dare una visione più dettagliata su come uno scenario evolverà. Questi strumenti, alberi decisionali, modelli bayesiani e regole associative vengono generati tramite l’analisi di grandi insiemi di dati che rappresentano l’esperienza pregressa o lo storico.

Scelto il tipo di tecnica da utilizzare si passa alla raccolta di dati i quali vengono poi divisi in due parti,  la prima per l’addestramento del modello e la seconda per il test. Solitamente i dati scelti in maniera Random vengono divisi 80% per la prima fase e 20% per la seconda. Ogni tecnica del Data Mining ha le sue caratteristiche, il punto è quello di individuare quella ottima per il nostro caso. In alcuni casi i sistemi più complessi utilizzano una combinazione di queste tecniche.

Per approfondire l’argomento esistono numerosi studi scientifici sullo sviluppo di applicazioni del Data Mining per il supporto alla gestione delle Risorse Umane attraverso la previsione delle performance de talenti all’interno di un gruppo