Læringslederskab kræver data

I 2017 publicerede LinkedIn Learning en undersøgelse, der drøftede, at (min oversættelse) “… medarbejderudvikling opfattes som vigtig for virksomhedsledere, men dét at påvise reel værdi af L&D indsatsen er en stor udfordring mange steder” – og bliver simpelthen ikke gjort.

Hvad gør vi i Danmark i vores mindre virksomheder på området? Opfattes ambitiøs ledelse af læringseffekt også som en afgørende faktor, der leverer konkurrencefordele i markedet?

Denne artikel drøfter, hvad der skal til for at kunne levere de rapporter, som er nødvendige – drøft gerne med

Undersøgelsen (som du ser nedenfor/til højre herfor) fremhæver 2 tendenser; dels

*  Business Impact af L&D er den mest efterspurgte resultatindikator. Ikke desto mindre er der kun 8% af alle CEO’s i undersøgelsen, der kan følge den type rapportering.

*  ROI er på andenpladsen. Og her er det bare 4% af alle CEO’s i undersøgelsen, der har mulighed for at følge den slags tal.

Det siger måske mange ting om ledelse eller mangel på samme. Men måske særligt noget om, at der alt andet lige ligger en mulighed for at differentiere sig i markedet, hvis man bliver særlig god til den slags ledelsesrapportering.

Hvordan man så kan bringe sig i en tilstand at kunne det, kan derfor være interessant at afsøge yderligere.

Modenhed i dine effektmålinger er fundamentet

En god måde at tænke og tale om ledelse af læringseffekt på, er at træde et skridt tilbage og tænke i modenhedsmodeller – som i: “På hvilket stade synes vi, at vi som virksomhed som minimum altid skal magte at gennemføre vores ledelse af læringseffekt?” eller “Hvad skal vi umiddelbart stræbe efter som en generel praksis i vores arbejde med at observere, analysere, planlægge og intervenere på basis af vores egne data om læring”?

En sådan modenhedsmodel for ledelse af læringseffekt kan se sådan her ud, som den grafik, du ser nedenfor.

Du læser grafikken fra venstre mod højre på den måde, at jo mere struktureret, regelmæssig og strategisk, du samkører data fra dit læringsmiljø med data fra andre dele af din virksomhed, des mere knytter du meningsfyldt an til dét, der er jeres primære formål med jeres arbejde.

Sagt med andre ord: Jo højere modenhed, des mere strategisk relevante er jeres målinger af effekten af jeres læringsinitiativer.

En øvelse til dig kan være: Prøv at dvæle nogle øjeblikke ved modellen. Læs indholdet af hver af de fem trin og “find jer selv”. Det er en god øvelse og et godt sted at starte den tankeproces, jeg inviterer dig til nu her.

Min erfaring med implementering af digitalt lærende organisationer – og dermed også med ledelse af læringseffekt – fortæller mig, at de virksomheder, jeg oftest møder, typisk ligger et sted mellem Trin 2 “Defineret” og Trin 3 “Ledet”. At man altså typisk arbejder med at skabe og bruge data på Effektniveau 1/Reaktion og Effektniveau 2/Viden (Kirkpatrick) og typisk arbejder relativt isoleret med egne data om egne aktiviteter – egentlig ufortolket i forhold til andre data og informationer, der skabes andre steder i virksomheden.

Det er ikke sikkert, at jeres virksomhed ligger lige der, men måske?

Uanset; man kan i hvert fald sige, at selvom effektniveauer op til Trin 3 er interessante at forholde sig til, så er de også karakteriseret ved reelt ikke at fortælle noget om, hvad der forgår i den daglige praksis (fx i en salgsafdeling). Sagt med andre ord: Når du arbejder på dette niveau, så leverer du i virkeligheden ikke information, som andre end du selv intuitivt vil opfatte relevante og meningsfulde. Årsagen er, at det fortæller mere om læringen i sig selv og kun meget lidt om, hvad læringen udmønter sig i af resultater i virkeligheden. Så ligger din rapportering på det niveau, og du oplever, at det i virkeligheden ikke rykker meget hverken fra eller til på, hvad man i øvrigt beslutter sig for at korrigere på, så kan forklaringen meget vel ligge netop dér.

Der er derimod behov for regelmæssig, struktureret, samordnet og fortolket information på Trin 4 “Målt”og gerne Trin 5 “Optimeret”, for at organisationen reelt kan forstå, hvordan læringen/træningen har påvirket udførelsen af det daglige arbejde og de resultater, der skabes. Og der efterspørges robuste fortolkninger og modeller for, i hvilken udstrækning, de opnåede resultater, reelt skal henføres til træning/læring.

Eksempel: Når du gennemfører et salgstræningsprogram for jeres salgsafdeling omkring lanceringen af et nyt produkt, så skal du kunne forbinde data fra performance på træningen til jeres specifikke salgsresultater for det pågældende produkt. Og den rapportering skal du kunne genskabe igen og igen på en måde, så den salgsansvarlige stille og roligt kan bearbejde og forstå, hvordan sammenhængen mellem medarbejdernes kompetenceudvikling skal knyttes til de resultater, der skabes.

For at opnå det modenhedsniveau, så indebærer det, at du skal samarbejde om data på tværs af afdelinger i din virksomhed – evt. også i kombination med eksterne data – samt være kulturbærer for den proces.

Hemmeligheden bag at kunne modnes til minimum Trin 4 i effektledelsen – effektivt

For at finde ud af, hvordan du griber opgaven an med at styrke nytteværdien af jeres rapportering, så skal du blot tænke meget lavpraktisk på, hvad der er det bøvlede ved dit effektrapporteringsarbejde idag.

Har du prøvet at udarbejde effektanalyser af jeres læringsinitiativer, så har du formodentlig arbejdet med manuelt at bearbejde de mange data, du kan trække ud af jeres LMS-system og/eller andre digitale lærings- og træningsprogrammer, og prøvet at lægge dem ind i diverse regneark og lave nogle tabeller eller grafer. Det kan være ret underholdende at dykke ned i detaljerne og få en grundlæggende forståelse af tallene.

Hvis du endda ydermere er gået trinet videre og har prøvet manuelt at samkøre dine læringsdata med data fra andre datakilder i jeres virksomhed (resultattal fra f.eks. Talentsystemer, CMS, CRM eller direkte fra jeres økonomisystem), genkender du sikkert også, at du hurtigt kommer til at arbejde med forskellige dataformater fra de forskellige datasæt, som er ejet og vedligeholdt af kolleger, der arbejder flere forskellige steder i virksomheden og måske ude fra i outsourcede enheder udenfor jeres virksomhed.

Det kan være temmelig omstændeligt at arbejde med og kræver i virkeligheden et relativt højt specialiseret fagkundskab omkring, hvad data er og hvordan man arbejder med datakvalitet.

Der er tale om en arbejdsgang med 3 hovedaktiviteter på vejen mod optimering af jeres data/analysemateriale og dermed på vejen til øget modenhed, Trin 4 og opad. De 3 hovedaktiviteter kalder man samlet “ETL” (Eng: Extraction, Transformation og Loading) og det handler om

*  1) at læse (udtrække) data fra en eller flere datakilder.

*  Efter data er trukket ud fra systemerne, er næste trin 2) at få konverteret data fra sin tidligere form, til den form det kræver, for at det kan placeres i en ny samlet database.

*  Sidste trin 3) er processen med at få dataene lagt ind i den endelige database/datawarehouse. Derfra kan data samlet trækkes ud til præsentation grafisk/visuelt, så I klart kan se sammenhænge og træffe gode beslutninger.

ETL-processen er med andre ord den proces, du skal stræbe efter at gøre skarpere hos jer, fordi en god ETL-proces er hemmeligheden bag regelmæssige, gentagbare og kvalitetssikrede dataanalyser af jeres læringsindsatser.

Man kan også beskrive ETL-processen på en anden måde i en læringssammenhæng: Man kan sige, at ETL-processen er ensbetydende med Ventetid. Og at Ventetid er ensbetydende med Tab af Relevans.

Helt specifikt handler Ventetid om den tid, der går fra, at din læringshændelse er fysisk gennemført ude i den virkelige verden, til at data er udtrukket om læringshændelsen, konverteret, loadet og gjort klar til visning sammen med andre data om forretningen og frem til, at analysen bliver læst og fortolket af en beslutningstager (afdelingschef el lign.), der så kan handle på de informationer, han/hun bliver præsenteret for.

Det siger sig selv, at den proces kan tage uger, når den ikke automatiseres – og forsinkelse skaber grobund for usammenhængende forståelse og handlemuligheder hvilket jo i sig selv er i modsætning til meningen med organisatorisk læring/træning og professionalisering. Så det handler i virkeligheden lidt om at lære selv aktivt som HR-aktivist … walk the talk.

(Datalogiske buzzwords som du kan google lidt på: I en læringsverden med digitale løsninger taler man om “xAPI” (Eng: Experience Application Programming Interface) som det fælles dataformat. Man taler om at skabe en kontinuerlig strøm af data, der læses ind og ud i en “LRS” (Eng: Learning Record Store) som et slags datawarehouse over aktiviteter, læring, adfærd, og præstationer, kontekst (deraf benævnelsen “Experience”).

Så – hvad er vejen ind i det her, når man netop IKKE har et datalogisk sind ?

Svaret på dette spørgsmål er at vende tilbage til modenhedsmodellen og den øvelse, jeg inviterede til, længere oppe i teksten.

Stil spørgsmålet igen: “Hvor stor lyst har jeg til at flytte vores effektledelse?”. “Tror jeg på, at vi vitterligt kan differentiere os yderligere i markedet ved at blive bedre til det her?” og/eller “Ligner det her noget, som kan være væsentligt for os at mestre, også på den længere bane?”

Hvis du stadig er med på ideen, så er mit bud på en god proces rimelig klassisk:

*   Du skal samle et tydeligt billede af, hvad der er behov for. Tal med dine kolleger. Vis dem modellen. Brug den som referenceramme og drøft ud fra den.

*   Overvej helt lavpraktisk: Har I kompetencerne in-house til at lave et godt ETL-design rent datalogisk/systemmæsigt – eller skal du kigge eksternt efter en konsulent med speciale i læringsdatalogi for at få yderligere overblik over opgavens omfang – og en ekstra trykprøvning af jeres rette ambitionsniveau.

*   Giver det stadig mening, så fortsæt med at lave en beslutningsproces over et par arbejdsmøder, der til sidst leverer sagsfremstillingen, som I skal beslutte endeligt ud fra. Som i al andet virksomhedsoptimering, så er det alt andet lige en god idé at opstille et budget og en proces.

Vi ved godt helt overordnet, at det er væsentligt for denne måde at tænke organisationsudvikling på, at det datalogiske/ETL-setup kommer på plads og virker godt. Vi ved så samtidig også, at hvis der ikke er nogen i din virksomhed, der har lyst til at arbejde med data i deres dagligdag, så bliver det her aldrig til noget meningsfyldt – uanset hvor godt tingene bygges op.

Så een væsentlig pointe, som ligger nedenunder det hele, er, at der skal som minimum være en almen anerkendelse af/belønningsstruktur omkring – og ikke mindst lyst til – at arbejde med data – lære noget ud fra datafortolkning – tale ud fra en forståelse af data – arbejde kritisk med det i hverdagen.

Det giver sig selv, den præmis skal du særligt sikre dig er tilstede helt generelt.