support
Xpert Desk
073 - 61 59 999
Support
Xpert Desk
073 - 61 59 999
Voorkom misvattingen

Als verzuimprofessional is het belangrijk om analyses te maken van verzuimcijfers. Maar dan is de interpretatie van deze cijfers wel belangrijk. Wij zien dat er nog wel eens misvattingen zijn over verzuimcijfers. In dit artikel willen we je wegwijs maken in het interpreteren van verzuimcijfers. Zo geven we antwoord op:

1. Welke basisverzuimcijfers heb ik nodig?
2. Welke risico’s zijn er bij het interpreteren van verzuimcijfers
3. Hoe bepaal ik wat ik wil meten?
4. Hoe kan ik dit in mijn dagelijkse werk gebruiken?
 

1. Welke basisverzuimcijfers heb ik nodig?

Als verzuimprofessional werk je vaak met basis verzuimcijfers. Dit zijn het verzuimpercentage, de meldingsfrequentie en de gemiddelde verzuimduur. Wat betekenen deze cijfers:

Verzuimpercentage: Hoeveel procent van de kalenderdagen gaat verloren door ziekte?
Meldingsfrequentie: Hoe vaak melden medewerkers zich per jaar ziek?
Verzuimduur: Wat is de verzuimduur van de medewerker na een ziekmelding?
 

 

Benieuwd of de kwaliteit van je data goed is?

Lees meer over het verhogen van je datakwaliteit in ons blog Datagedreven werken? Je datakwaliteit bepaalt het succes! >>>


2. Welke risico’s zijn er bij het interpreteren van verzuimcijfers?

Bij het interpreteren van verzuimcijfers is het wel van belang om met de volgende ‘valkuilen’ rekening te houden en om te voorkomen dat je appels met peren gaat vergelijken:
 

  • Seizoensinvloeden
    Het is in Nederland al jaren zo dat er in de winter substantieel meer verzuim is dan in de zomer (+25%)
  • Welke personeelsopbouw kent je organisatie?
    Er zijn grote verschillen in leeftijdscategorieën (55+’ers verzuimen 100% meer dan 25-35 jarigen)
  • Welke omvang kent je bedrijf?
    Grote werkgevers (>100 medewerkers) zitten rond de 5% verzuim en kleine organisaties (<10 medewerkers) vele jaren onder de 3%
  • Welke contractvormen kent je bedrijf?
    Werk je vooral met tijdelijke (landelijk rond de 2-2,5% verzuim) of vaste (landelijk 4-4,5% verzuim) dienstverbanden?
  • In welke sector?
    Ook hier zijn grote verschillen landelijk gezien (gezondheidszorg zit boven de 5,5% en financiële dienstverlening onder de 3%).
  • Is de administratie wel volledig?
    Als je alleen verzuimmeldingen ontvangt is het berekenen van een meldingsfrequentie en gemiddelde verzuimduur eigenlijk al niet meer mogelijk.


Als je naast de basiscijfers ‘meer wil analyseren’ ga je vaak naast deze ‘lagging’ (achteruitkijkende) indicatoren op zoek naar indicatoren die meer vooruitkijkend een beeld geven van hoe het gaat met de organisatie. Maar hoe kies je wat je wilt meten?

3. Hoe bepaal ik wat ik wil meten?

Het bepalen van goede meetbare indicatoren, zonder te stappen in de valkuilen van interpretatie van de cijfers, kan het beste via 3 stappen worden opgepakt.
 

A. Maak een model
Waarom een model zal je misschien denken? Dat komt omdat je anders makkelijk verkeerde variabelen ten onrecht aan elkaar koppelt en uiteindelijk verkeerde conclusies trekt. Met een model breng je in kaart wat je wilt meten en bepaal je de afhankelijke factoren. De bouwstenen van een model bestaan uit 3 onderdelen:
 

 1. Variabelen

 Resultaatsvariabelen: lagging indicatoren

 

 Inputvariabelen (van de omgeving): leading indicatoren

 

 Procesvariabelen (‘hoe doen we iets’): leading           indicatoren

 2. Relaties 

 Positief: als A toeneemt, neemt B ook toe (en vice versa)

 

 Negatief: als A toeneemt, neemt B juist af (en vice versa)

 3. Feedback
 loops

 Versterkende loops; Als A toeneemt, neemt(indirect) A   nog verder toe

 

 Balancerende variabelen; Tegenovergestelde



Het doel van het model is dat je op een eenvoudige visuele manier vastlegt wat je ‘redenering’ voor je eigen verzuimmanagementbeleid is. “Wij denken dat we door het houden van gesprekken met mensen die vaker dan 3 keer per jaar verzuimen, herhaald frequent verzuim voorkomen. En dat dit op lange termijn ook langdurige uitval voorkomt.” Je hebt dan een aantal relaties tussen deze variabelen die je kunt weergeven:
 

  • De resultaatvariabele: ‘verzuimomvang’
  • Deze wordt dan ‘negatief’ beïnvloed door ‘hoeveelheid langdurig verzuimers’
  • Deze variabele wordt dan weer ‘positief’ beïnvloed door ‘Hoeveelheid frequent verzuimers’
  • ​En die wordt dan weer negatief beïnvloed door ‘Gevoerde frequent-verzuim-gesprekken'
     

Op deze manier heb je waarschijnlijk verschillende variabelen in je beleid die je in een samenhangend model kunt weergeven. Bijvoorbeeld als volgt:

Afbeelding 1:  voorbeeld analysemodel verzuim/preventie


B. Bepaal meetbaarheid van variabelen

Als tweede stap kun je van de variabelen gaan bepalen ‘kan ik deze meten?’. De variabelen die de resultaten beïnvloeden, doen dat vaak met enige vertraging. Dit zijn dus variabelen die voordat de resultaten gewijzigd zijn al indicatie geven hoe het resultaat er in de toekomst uit gaat zien. Dit zijn dus ‘leading-indicatoren’. Als je deze meet kun je er nog op ingrijpen en het negatieve gevolg voorkomen.

 


 


Het is aan te raden om zowel de resultaat- als proces-variabelen te meten, zodat je ook blijft toetsen of je beleid ‘wel klopt’. Je had het idee dat je met kort frequent verzuim gesprekken toekomstig langdurig verzuim voorkomt, maar klopt dat inderdaad ook? Om dit te kunnen controleren moet je vaak wat uitgebreidere analyse van de verzuimdata uitvoeren. Dit kan ideaal met een oplossing zoals de datastreams binnen de Xpert Suite.
 

 

Wat is jouw data analytics-niveau? Lees hoe jij kunt bepalen waar jij je op de ladder bevindt in het blog Niveaus in datagedreven werken >>>

 

 

Het meten van de resultaats-variabelen is vaak niet zo'n probleem (een HR of verzuimsysteem kan je goed inzicht geven in de verzuimomvang). Voor de procesvariabelen is dat vaak wat ingewikkelder. Maar het is dan goed om in je achterhoofd te houden dat metingen van het proces niet perfect hoeven te zijn. Het gaat namelijk vooral om ‘wordt het beter of slechter’. Als je maar op structureel dezelfde manier meet, kun je daar al veel informatie uit halen. Tevens kun je vaak als je eenmaal deze basale gegevens meet, eenvoudiger die meting optimaliseren. Als je meteen de perfecte meting probeert te doen, kun je vastlopen in de implementatie daarvan. Begin dus simpel, en bouw het daarna uit.

Wat inspiratie om bijvoorbeeld het ‘aantal effectieve interventies’ te meten zijn hieronder uitgewerkt. Probleem is bij ‘effectiviteit van interventies’ natuurlijk dat je niet hard kunt meten wat de positieve invloed is geweest van de interventie. Maar je hebt wel snel een paar opties die eenvoudig te meten zijn en een goed beeld geven of het ‘verbeterd of verlechterd’:

  • Verschil tussen verwacht resterend verzuim vóór interventie en daadwerkelijke duur daarna is ‘positief’.
  • Medewerkers beginnen minstens 40% met werken binnen 4 weken na interventie.
  • Handmatige vastlegging door centrale casemanager (subjectief) wat het effect van de interventie is geweest

Ook nog wat inspirerende voorbeelden om ‘ervaren werkdruk overige medewerkers’ te meten:

  • Aantal medewerkers dat op initiatief LG preventief naar arbo-arts gaat.
  • Score op periodiek verstuurde vragenlijst


C. Bepaal de presentatiewijze van de gemeten scores

Veel getallen op een dashboard zetten is vaak niet zo moeilijk. Dat doen op een manier die gebruikers echt helpt met extra inzichten is echter een heel ander verhaal. Je kunt 2 doelen hebben met het presenteren van cijfers:

  • Het presenteren van centrale KPI's die qua betekenis voor iedereen duidelijk zijn. Bij verzuim kun je hier het verzuimpercentage goed voor gebruiken, en ook zaken als ‘het aantal verzuimmeldingen’ (of de meldingsfrequentie bij sterk wisselende personeelsomvang) en het aantal lopende trajecten (eventueel naar verzuimduur uitgesplitst). Deze zijn voor veel mensen betekenisvol en meteen te begrijpen en geven een goed beeld van ‘de huidige situatie’.

  • Het presenteren van de analyse van ‘hoe gaat het er de komende periode uitzien’. Hierbij is onze ervaring dat het veruit het meeste zegt voor de lezer als je niet de kale cijfers presenteert (ook al gebruik je goede signaal-kleuren) maar het meer als ‘leesbaar verhaal’ presenteert. Dit kan er dan bijvoorbeeld als volgt uit zien:

    • In ons beleid sturen we op het signaleren van medewerkers die frequent verzuimen om met deze medewerkers preventief (ter voorkoming van langdurige uitval) het gesprek aan te gaan. We zien de afgelopen periode een daling van het aantal frequent verzuimers van X% van de medewerkers die zich in 2021 drie keer of meer had ziekgemeld naar Y% in de afgelopen 12 maanden.[Hier dat in grafiekvorm tonen]

    • Met deze medewerkers is in 75% van de gevallen een gesprek gevoerd. Dit niveau is gestegen van 50% begin 2022 naar dus 75% in de afgelopen maand.

    • De verwachting is daardoor dat het aantal langdurig verzuimers op lange termijn gaat dalen. Op dit moment is de daling nog niet te zien, maar we verwachten ook dat dit effect een vertraging kent van ongeveer een jaar. Op dit moment is het percentage langdurig verzuimers (>6 weken) stabiel op 3,5% (sinds begin 2021). Hiervan komt ruim 35% voort uit ‘voormalig frequent verzuimers’. De verwachting is dus dat dit aandeel gaat dalen in de komende maanden.

Je ziet dat een dergelijke toekomst-analyse meer ‘maatwerk’ is die past bij je eigen situatie. Dit kan dan ook vaak niet met de standaardrapporten uit een systeem worden gehaald. Maar het is extra data-analyse werk, wat past bij de eerstvolgende stap in het ‘datagedreven werken’ en de ontwikkeling daarvan binnen de eigen (HR) organisatie.
 

 Wil jij meer uit jouw data halen? Wist je dat je in Xpert   Suite verzuim kunt voorspellen? Lees over ons Hyperlab   waarin we op basis van artificial intelligence datagedreven     producten ontwikkelen voor de Xpert Suite.>>>

4. Hoe kan ik dit in mijn dagelijkse werk gebruiken?

Als je wat abstracter kijkt naar ‘het besturen van een systeem’ heb je feitelijk 2 richtingen waar je cijfermatige analyses kunt gebruiken; bij het rapporteren naar je eigen ‘bestuurders’ (de klant of de HR eindverantwoordelijke) en bij het bepalen van je eigen gewenste acties.
 

 
 

Voor beide onderdelen is het van belang om je informatiebehoefte te bepalen en te organiseren dat je (passend bij de doelstelling) eenvoudig genoeg aan de cijfers kunt komen. Om je dagelijkse acties als casemanager aan te sturen zul je vaak van cijfers gebruik willen maken die snel op te vragen zijn, omdat je je dagelijkse acties erdoor wilt laten bepalen. Hierbij valt dan te denken aan: wie zijn de medewerkers die frequent verzuimen? Welke trajecten moet ik aandacht aan geven om loonsancties te voorkomen? Bij welke afdelingen is het verzuim op dit moment hoog en moet ik de leidinggevende gaan ondersteunen? Etc.

Daarnaast heb je een aantal gegevens die meer analyse-werk vergen, waardoor ze nu nog lastig in de dagelijkse praktijk te gebruiken zijn (hoewel erg waardevol indien dat mogelijk wordt). Hier kun je per kwartaal of half jaar analyses doen om toch het gewenste inzicht te krijgen met een data-analist. Voorbeelden hiervan zijn; waar liggen de grootste risico's op langdurig verzuim? Zijn er afdelingen die een structureel slechtere herstelcurve hebben dan het gemiddelde, waardoor we daar wellicht herstelpotentieel laten liggen? Welke trajecten kennen een hoog risico op WGA-instroom en kunnen we daar interventies op doen?

Daarnaast heb je informatievoorziening aan je ‘eigen bestuurder’ (onder wiens verantwoordelijkheid je werkt). Hier is het voornamelijk van belang dat je periodiek voldoende informatie kan delen waarmee helder wordt of de uitvoering van het beleid goed loopt, het de gewenste effecten heeft en dat je met behulp van cijfers eventuele veranderingen in inspanning of beleid kunt onderbouwen.

Voor het rapporteren van de status van het verzuim is het gebruik van het verzuimpercentage, de meldingsfrequentie en de gemiddelde verzuimduur een goede start. Maar let hierbij op dat je extra inzicht kan geven door:

  • Het verloop in de tijd te tonen (op een periode die lang genoeg is om de normale jaarcyclus niet als blinde vlek te hebben)
  • Verdeling van kort-middellang en lang verzuim te tonen
  • Te vergelijken met een goede benchmark (zelfde omvang en branche is erg belangrijk)
  • De interne verschillen binnen de organisatie-onderdelen te tonen.

Voor het verantwoorden van het beleid kan dus gebruik gemaakt worden van bovengenoemd voorbeeld rondom de aanpak van frequent verzuimers. Dit is uiteraard op andere manieren op te bouwen bij andere beleidsdoelen.

Tenslotte kun je cijfer-analyses gebruiken om beleidsvoorstellen te doen. Denk hierbij aan:

  • CBS data toont aan dat het zelf goed in kunnen vullen van de werktijden en werk-prive balans een grote invloed op het verzuim heeft. We zien in ons eigen medewerker-tevredenheidsonderzoek juist dat dit nu onder druk staat. We willen dus workshops geven die gaan over X en Y om mensen daar te helpen in het vergroten van hun regelcapaciteit.
  • We zien in de ontwikkeling van de verschillende afdelingen dat de toename van het aantal frequent verzuimers bij afdeling Z lijkt aan te tonen dat daar een toekomstig verzuim probleem aan zit te komen. We willen dus extra capaciteit vanuit de centrale HR inzetten om de leidinggevenden van die afdeling te ondersteunen in het omgaan met de situatie ter voorkoming van langdurig verzuim
Alles even onder elkaar

Om dus een verkeerde interpretatie te voorkomen, zorg dan dat je:

  • Je je resultaten in een perspectief plaatst. Soms is 2,5% verzuim heel goed, soms is het maar gemiddeld.
  • Weet wat je wilt meten. Stel je beleidsmodel op en blijf deze op basis van ervaring verbeteren.
  • Groeit in het rapporteren en gebruiken van cijfers voor jezelf als verantwoording naar opdrachtgevers en probeer het te integreren in de dagelijkse werkwijze steeds verder te optimaliseren.
Hulp nodig?

Heb je hulp nodig om datagedreven te gaan werken? Neem dan contact met ons op. We denken graag met je mee!

Bel mij terug!

 

 

Ja, ik wil!

Wij willen ook graag contact met jou!
Otherside at Work
Wisent 14
5236 PX 's-Hertogenbosch
Kamer van Koophandel: 17152287
Receptie
Tel: 073 615 9950
Xpert Desk
Tel: 073 615 9999
Robert van Gils | Business Development Manager
robert.vangils@othersideatwork.nl 06 46 11 99 28
Bianca van Grinsven | Sales Manager
bianca.vangrinsven@othersideatwork.nl 06 41841632
Maak nu een afspraak!