Microdesign
Microdesign
Desain Organisasi
KELOMPOK 4
Amelia Regita Saraswaty
Talita Amalia
Trisa Diptami P
Microdesign
Introduction
Desain mikro dari organisasi yang
sangat penting dalam proses day to
day activity perusahaan, namun
sering dilupakan.
OF CONT
LE E The Data Goldmine
B Bagaimana mempersiapkan
N
TA
T
menggunakan data sebagai basis
penentuan microdesign
perusahaan
Objectives Management
Objectives Management (OM)
memberikan sarana untuk
menyelaraskan upaya setiap
orang dan memastikan kegiatan
bisnis yang paling penting
diprioritaskan.
MICRODEISGN
Introduction
Microdesign is the real heart of organization
design process
microdesign
Introduction Proses pembuatan desain makro
membutuhkan waktu yang lama, namun
preface dalam pelaksanaan makrodesain, terkadang
masih banyak individu yang bingung dengan
role nya di sebuah organisasi.
Hal tersebut dikarenakan kecenderungan
The Data
Goldmine
The Data Goldmine
Bagaimana membangun basis data yang dapat
digunakan untuk memahami perusahaan dalam
kondisi saat ini.
Four data myths
Seven-stages process how to collect,
understand, and maintain data
How to analyse data effectively
Four data myths
1. Data and Technology are scary
Divisi HR menjadi salah satu bagian di
perusahaan yang kurang memprioritaskan
analitik dalam kegiatan operasionalnya.
Tidak familiarnya seorang dalam menggunakan
teknologi dan terbiasa untuk melakukan organisir
atau penyelesaian tugas dengan cara yang
manual.
Dalam jangka panjang dapat membuat
perusahaan tertinggal.
Four data myths
2. Organizational data is too hard to
process
Org. data sangatlah kompleks dan cenderung
berantakan.
Data professionals mengakui bahwa cleaning dan
transforming data set membutuhkan waktu yang
sangat panjang dan merupakan pekerjaan yang
membosankan.
Hal tersebut menjadikan beberapa proses diawali
dengan tidak menggunakan data.
Four data myths
3. One system fits all
Powerpoint dan Excel menjadi main tools dalam
menyelesaikan task.
Perlu adanya penetapan apa yang akan dicoba untuk
dicapai dari penggunaan data untuk membantu
menentukan tools yang dapat digunakan oleh organisasi
tersebut.
Penggunaan data yang disuaikan dengan kebutuhannya
dibagi menjadi empat alat; 1. data warehouse; 2.
Enterprise Resource Planning (ERP) system; 3. Data
intermediary; 4. Specific visualization software
Four data myths
4. More data means more insight
Data organisasi merupakan hal yang kompleks
dan banyak aspek dari data yang sulit diakses.
Data yang belum dapat diakses menjadi
tantangan tersendiri bagi praktisi dan pekerja.
Hal ini biasanya ditangani oleh departemen IT.
Namun, HR pun bisa mulai secara berkala untuk
menggunakan penggunaan software database
yang kedepannya dapat membantu
operasionalnya.
Building the Baseline - bercekcok dengan data
4. Visualize
Memvisualisasi data dapat membuat data terlihat lebih
interaktif dan membuat orang tertarik untuk memahami
data yang disajikan.
Dapat membantu mengidentifikasi adanya celah dan
inakurasi data.
Visualisasi data pun dapat membantu membawa value
kedepannya dalam proses membangun baseline bagi
organisasi untuk mulai menjadi data based.
Building a Baseline Process
6. Crowdsource
Teknologi memungkinkan adanya feedback yang
cepat, seperti kemampuan survei.
Masalah di banyak organisasi dari dilakukannya
crowdsource adalah pertanyaan sederhana
tentang hierarki organisasi, seperti “siapa melapor
kepada siapa?”
3 tips untuk membantu dalam melakukan
crowdsourcing data:
1. Make data easy to upload.
Lebih baik membuat proses upload data yang sederhana sehingga mudah
untuk diselesaikan
2. Report data back to owners.
Orang yang berinteraksi dengan data merupakan orang-orang yang paham
mengenai data tersebut. Mereka akan mendapatkan insight dari prosesnya
dan mengidentifikasi outlier serta mengungkap masalah kualitas data.
3. Make the process mobile
Lebih baik data tersedia setiap saat dan di semua devices untuk
memudahkan kita dalam meninjau grafik dan menambah insight
Building a Baseline Process
2. Correlation vs causation
Misalnya, peringkat kinerja berkorelasi terbalik dengan jumlah
ketidakhadiran. Namun, pendorong hubungan itu tidak jelas. Artinya,
tidak dapat menentukan apakah peringkat kinerja ditetapkan sebagai
penalti untuk ketidakhadiran atau apakah ketidakhadiran benar-
benar berkontribusi pada kinerja yang lebih rendah.
Performing analysis:
common statistical traps
3. Statistical significance
Ketika menarik kesimpulan tentang sekumpulan data, harus memiliki
pemahaman tentang seberapa kuat kita dapat menarik kesimpulan
tersebut.
Yang pertama adalah melihat variasi dalam dataset. Semakin besar
standar deviasi, semakin kecil kemungkinan Anda dapat menarik
kesimpulan. Standar deviasi mengukur rata-rata seberapa menyebar
data tersebut.
ASUMSI: Jika semua karyawan wanita memiliki ukuran kinerja yang sangat mirip, maka dimungkinkan
untuk membuat generalisasi yang lebih mudah tentang kelompok itu. Lebih banyak kesamaan berarti
deviasi standar kecil. Sebaliknya, jika beberapa berkinerja sangat baik, beberapa berkinerja sangat buruk
dan beberapa baik-baik saja, lebih sulit untuk mengambil kesimpulan tentang apa yang terjadi pada grup.
Ini adalah situasi dengan deviasi standar yang besar, yaitu banyak perbedaan dan kelompok yang lebih
tersebar.
The box plot memberi Anda gambaran visual tentang distribusi, Risiko menggunakan bar charts dan The
box plot dilihat dalam Gambar 3.2.8. Bagan batang sebelah kiri menunjukkan skor kinerja pria dan wanita.
Pada nilai nominal laki-laki berkinerja jauh lebih baik, dengan rata-rata 6,4 dari 10 dibandingkan dengan
rata-rata perempuan 5,9. Tetapi ketika data yang sama menggunakan The box plot, Performa rata-rata
untuk wanita sebenarnya adalah 7,5.
Hal berikutnya yang harus dilihat ketika memikirkan signifikansi statistik adalah ukuran sampel.
Semakin kecil ukuran sampel, semakin besar bahayanya.
Final Thoughts
“Data should be used to turn hindsight into insight and then foresight”
Objectives
Management
Manajemen kinerja perusahaan diakui sebagai