How do human resources analytics create value for organizations? A qualitative investigation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose Human resources analytics (HRA) can potentially create value and provide a competitive advantage; however, whether and how HRA creates this value has been sparsely explored in scholarly literature. Hence, the purpose of this study is to provide a process-oriented framework for value creation from HRA use by exploring the underlying mechanisms, complementary resources and outcomes. Design/methodology/approach The study used a qualitative research design as the research question was exploratory. A total of 26 in-depth expert interviews with different organizations were conducted. These interviews were transcribed and coded for emerging themes, which were placed in a temporal sequence of occurrence to derive a process understanding of value creation from HRA. Additionally, validation tests were conducted. Findings The thematic analysis using NVivo provided qualitative evidence of the value-creating potential of HRA. Further, it unraveled the process of value creation from HRA in the form of problem construction, insight generation, the buy-in of stakeholders and solution implementation. This process resulted in various human resource management (HRM) and organizational outcomes. The analysis also highlighted the significance of three complementary resources, namely data quality, analytical competency and business knowledge. Practical implications This study offers guidance for HR executives and business managers to assess the conditions under which HRA can add business value to organizations. Originality/value The paper is novel as this is among the first studies to provide evidence of value creation from HRA and identify the underlying mechanism, which has been highlighted as a gap in the literature. Based on resource-based theory and its complementarities perspective, the study makes a valuable contribution to the nascent HRA literature.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle