Claude למשאבי אנוש: ניתוח נתוני עובדים מאקסל בעברית
מדריך מעשי למנהלי משאבי אנוש: איך לנתח קובץ אקסל של סקרי שביעות רצון, תחלופה והערכות ביצוע עם Claude, ולקבל תובנות והמלצות מוכנות להנהלה. כולל פרומפט מקצועי להעתקה.
קובץ אקסל של עובדים, שהופך לתובנות להנהלה
לכל מנהל/ת משאבי אנוש יש קבצי אקסל: סקרי שביעות רצון, נתוני תחלופה, נוכחות, הערכות ביצוע. הבעיה? לוקח שעות (ולפעמים אנליסט) כדי להוציא מהם תובנה אמיתית. עם Claude אפשר לקבל ניתוח מקצועי של People Analytics, כולל זיהוי מוקדי סיכון והמלצות מעשיות, בדקות, בעברית, ובלי לדעת נוסחה אחת באקסל.
למי זה מתאים: מנהלי/ות משאבי אנוש, פיתוח ארגוני וצוותי People. מתאים לכל קובץ של משוב עובדים, סקר שביעות רצון, תחלופה, נוכחות או הערכות ביצוע.
הפרומפט המקצועי
העלו את קובץ האקסל ל-Claude, הדביקו את הפרומפט הבא, והחליפו את השדות ב-[סוגריים מרובעים] לפי הארגון שלכם:
תפקיד: התנהג כיועץ/ת ארגוני/ת בכיר/ה ואנליסט/ית People Analytics עם 15 שנות ניסיון. המטרה שלי: לקבל תמונת מצב מבוססת-נתונים על [שביעות רצון העובדים / התחלופה / המעורבות] בארגון, לזהות מוקדי סיכון וחוזקות, ולצאת עם המלצות מעשיות שאוכל להציג ל[הנהלה / מנכ"ל / ועדת משאבי אנוש]. הקשר ארגוני (מלאו את מה שרלוונטי): - סוג הארגון: [תיאור קצר - לדוגמה: חברת הייטק, ~200 עובדים] - מקור הנתונים: [סקר שנתי / סקר פולס / נתוני מערכת] - מה שמטריד אותי במיוחד: [לדוגמה: תחלופה גבוהה בפיתוח / ירידה במעורבות] - קהל היעד של התוצר: [הנהלה בכירה / מנהלי ביניים] עבוד צעד אחר צעד ואל תדלג על שלבים: 1. סקירת מבנה הנתונים - לפני כל ניתוח, פתח את הקובץ ובדוק: כמה שורות ועמודות, שמות העמודות, סוגי הנתונים (מספרי / טקסט / קטגוריאלי), וטווח הערכים. אל תניח הנחות על מבנה הקובץ - תאר לי מה מצאת. 2. בדיקת איכות נתונים - אתר וסמן לי: ערכים חסרים, כפילויות, חריגות (outliers), עמודות עם גלישת טקסט או פורמט שבור, ושורות שנראות לא תקינות. ציין כיצד טיפלת בכל בעיה, ואל תתקן נתונים בשקט - דווח לי על כל תיקון. 3. ניתוח כמותי - חשב: ממוצע ופיזור של המדד המרכזי, התפלגות הציונים, ושיעור ה"מתנגדים" וה"שגרירים" (אם רלוונטי). פלח את הנתונים לפי כל החתכים הקיימים בקובץ (מחלקה, צוות, מנהל, ותק, מיקום וכו') וזהה את הקבוצות הגבוהות והנמוכות ביותר. שים לב במיוחד למקרים שבהם הממוצע הכללי מסתיר קיטוב בין קבוצות. 4. ניתוח איכותי של טקסט חופשי - אם יש עמודת משוב מילולי, זהה את הנושאים החוזרים (תמות), כמה פעמים כל נושא מופיע, והאם הוא חיובי או שלילי. הפרד בין מוקדי כאב לחוזקות. 5. הצלבות - חבר בין הכמותי לאיכותי: לאיזו קבוצה שייכים הציונים הנמוכים, ומה הם כותבים? חפש דפוסים חוצי-חתכים (לדוגמה: האם בעיה מסוימת קשורה למנהל ספציפי, לוותק, או למחלקה?). 6. תוצרים - סכם עבורי: - אבחנה מרכזית במשפט אחד - 3-5 חוזקות עיקריות לשימור - 3-5 מוקדי סיכון, מדורגים לפי דחיפות - "אזורים אדומים" שדורשים פעולה מיידית - המלצות מעשיות מתועדפות (מה לעשות, ובאיזה סדר - מיידי / רבעון קרוב / לטווח ארוך) כללי עבודה: - כל קביעה חייבת להתבסס על הנתונים בקובץ. אל תמציא נתונים, ואם משהו לא ברור - שאל אותי. - הבחן בין מתאם לסיבתיות, ובין בעיה אישית (מנהל ספציפי) לבעיה מערכתית. - כתוב בעברית, בשפה ניהולית בהירה, בלי ז'רגון מיותר. - בסוף, הצע לי באילו חתכים נוספים או נתונים משלימים כדאי להעמיק.
תוספות אופציונליות
הוסיפו בסוף הפרומפט לפי הצורך:
בנוסף לניתוח, בנה לי דשבורד HTML אינטראקטיבי בעברית עם הממצאים המרכזיים: KPIs, התפלגות, פילוח לפי החתכים, נושאים חוזרים, אזורים אדומים והמלצות.
לאחר הניתוח, הפק דוח Word מסודר ומעוצב להצגה בפני ההנהלה, עם תקציר מנהלים בעמוד הראשון.
בכל תוצר שמיועד לשיתוף, אל תציג שמות עובדים מזוהים - השתמש במזהים או בקבוצות בלבד.
טיפים לשימוש
- ✓מלאו את ההקשר הארגוני: ככל שתתנו יותר רקע, הניתוח יהיה ממוקד יותר. פרומפט "ריק" מייצר ניתוח גנרי.
- ✓התחילו בקטן: אם הקובץ ענק, בקשו תחילה רק שלב 1 (סקירת מבנה), ואז המשיכו.
- ✓אתגרו את התוצאות: שאלו "מה הראיה לקביעה הזו?" כדי להקטין הזיות.
- ✓שמרו על פרטיות: לפני העלאת קובץ עם נתוני עובדים אמיתיים, ודאו שהשימוש תואם את מדיניות האבטחה של הארגון.
רוצים להביא את זה לארגון שלכם?
אנחנו מעבירות הרצאות, סדנאות מעשיות וליווי הטמעה של כלי AI בארגונים. שיחת האפיון הראשונה עלינו.
