HR Analytiikka – Nuppiluvut ja FTE

Nuppiluvut ja FTEt ovat yksi tärkeimmistä HR raportoinnin ja analytiikan perusluvuista, antaen kuvan työntekijöiden määrästä yrityksessä ja missä päin yritystä he työskentelevät. Nuppilukuja käytetään esimerkiksi kun suunnitellaan tarvittavaa henkilöstömäärää tulevaisuuden projekteihin ja
tehtäviin, näyttäen nykyisen tarjonnan. Lisäksi nuppiluku/fte on usein jakajana kun lasketaan erilaisia kuluja per henkilö (FTE) tai liikevaihto per henkilö (FTE). Toki myös viranomaisraportointia joutuu tekemään.

Määritelmät
Nuppiluku (HeadCount): Työsuhteessa oleva työntekijä lasketaan nuppiluvuksi 1
FTE: Työntekijöiden määrä täysiaikaisina työntekijöinä (jos työskentelee vain puolet viikosta/kuukaudesta, saa luvun 0.5)

Mistä lähteistä nämä luvut saadaan?
Alla näkyvässä kuvassa näkyy miten johdetut taulut HeadCount ja FTE on kytketty muihin
HR-perusjärjestelmän tauluihin.

Nuppiluvut otetaan yleensä HR-perusjärjestelmän työsuhde-taulusta. Laskelmat tehdään yleensä kuukauden tarkkuudella ja määritelmä voi olla esimerkiksi ’jos henkilöllä on työsuhde voimassa kuun viimeisenä päivänä’ saa hän arvon 1 sille kuukaudelle. Tähän voi lisätä muita versioita tai rajauksi ottamalla pois henkilöt jotka ovat pitkillä poissaoloilla, tai jotka eivät ole varsinaisia työntekijöitä vaan contractoreita (konsultteja) yhtiössä. Alla näkyvä HeadCount taulu on lopullisessa raportointi-muodossa tähtimallissa, jossa Työsuhteen tiedot on tuotu suoraan HeadCount tauluun kiinni. Nuppilukulaskelmissa päänsärkyä voi aiheuttaa työntekijät joilla on konserniin useita työsuhteita yhtäaikaa eri yhtiöihin meneillään. Näitä voi ajatella kaikkia yhtenä HeadCounttina tai sitten jättää mahdollisuuden BI työkalussa katsoa niitä yhtenä tai useana HeadCounttina.

FTE laskelmat menevät eri tavalla kuukausittaisille työntekijöille ja tuntipalkkalaisille. Kuukausipalkkalaisille lähteenä käytetään HR-perusjärjestelmän työsuhde-taulua, ja laskelma eroaa seuraavalla tavalla nuppiluvuista: Henkilö saa arvon 1 FTE ollessaan koko kuun töissä, mutta jos hän on vain puolet kuusta niin arvoksi tulee 0.5. Yleensä HR haluaa FTE:stä eri versioita, esimerkiksi vähentäen kuukauden aikana olleet poissaolot tai vain palkattomat poissaolot. Myös osa-aikaiset työntekijät tulee huomioida.

Tuntipalkkalaisten FTEt otetaan yleensä maksetuista palkoista, joissa siis tulisi näkyä maksetut tunnit. Kuukauden aikana maksetut tunnit jaetaan kuun maksimituntimäärällä, ja jälleen täysiaikainen töissäolo antaa arvon 1. Alla näkyy FTE-taulu tähtimallimuodossa.

Usein FTEt halutaan lisäksi jakaa kustannusjakoperusteella eri kustannuspaikoille, kun taas nuppiluvut saatetaan näyttää vain pääkustannuspaikalla. On oleellista myös huomata miten eri tavoin HR raportointi ja perusjärjestelmän logiikka toimivat. Esimerkiksi jos huomataan että perusjärjestelmässä on virheellisesti työsuhde (henkilöä ei ole todellisuudessa ollutkaan työllistettynä) niin HR-perusjärjestelmään virhe korjataan, mutta jos luvut on tuolla perusteella jo aiemmin raportoitu niin usein lukujen halutaan pysyvän samoina, eikä niiden haluta muuttuvan jatkuvasti vielä vuosien päästä.

Nuppiluku ja FTE laskelmat saattavat olla monimutkaisia tarkalla tasolla ja onnistunut projekti vaatii usein syvää HR-alueen ymmärrystä.

Esittelyssä 3 tietomallinnusmenetelmää

Tietomalli määrittää ja dokumentoi ohjelmiston perussuunnittelun data-näkökulmasta. Mallinnus voidaan aloittaa korkean tason konseptuaalisesta mallinnuksesta, josta seuraava askel on looginen malli ja lopuksi päädytään fyysiseen tietomalliin. Tässä artikkelissa esittelen 3 tietomallinnusmenetelmää fyysisen tietomallin tekemiseen. Tarkoituksena on näyttää miten erilaisia taulurakenteet ovat riippuen siitä mikä menetelmä on valittu. Tämä on tarkoitettu enemmän introduction-tyyppiseksi kirjoitukseksi, eikä se sisällä kaikkia mahdollisia nyansseja joita eri ratkaisuihin liittyy.  Esimerkkinä mallinnusratkaisuissa käytetään myyntilasku, tuote ja asiakas -tietoja.

Ensimmäinen malli alla on Dimensionaalisen menetelmän mukainen. Dimensioonalisen mallinnuksen
tekniikan esitteli ensimmäisen kerran Ralph Kimball 90-luvulla ja se on yksi käytetyimpiä menetelmiä tietovarastoinnissa. Dimensionaaliset mallit ovat helposti ymmärrettäviä, joustavia ja niistä saa helposti kyseltyä erilaisia aggregaatteja (summia) ulos. Kääntöpuolena dimensionaalisessa mallissa on että ne tallentavat ylimääräistä dataa. Esimerkiksi alla olevassa mallissa maa-tieto toistuu, kuin myös SalesInvoice-taulun Asiakas ja Due_Date. Dimensionaalista mallia ei ole optimoitu operatiivisten järjestelmien pohjaksi. Alla oleva malli ei myöskään tallenna kaikkia muutoksia lähdejärjestelmissä, vaikkakin dimensionaalisen mallinnustekniikan SCD2 dimensiolla se olisi mahdollista.

Dimensioonaalinen malli

Seuraava malli on 3. normaalimuodon mukainen (yleisesti puhutaan myös normalisaatiosta), jonka esitteli E.F.Codd jo 70-luvulla. Normaalimuotoja on tunnistettu yhteensä 6 kappaletta (1-6), mutta kolmatta normaalimuotoa pidetään yleensä riittävänä tarjoamaan riittävän yksinkertaisen tietomallin kuitenkin poistaen Update, Insert ja Delete -operaatioihin liittyviä anomalioita. Normalisointi poistaa datan turhaa/päällekkäistä tallentamista ja sitä käytetään operaatiivisissa järjestelmissä joissa on runsaasti Insert ja Update -operaatioita (Transaction processing).

3 normaalimuodon malli. ”[Every] non-key [attribute] must provide a fact about the key, the whole key, and nothing but the key so help me Codd.”

Viimeisenä esittelyssä Dan Lindstedin vuonna 2000 julkaiseman Data Vault (DV) -mallinnustekniikka. Data Vaulttia käytetään dimensionaalisen mallinnustekniikan tavoin pääasiassa tietovarastointi projekteissa. Alla olevasta kuvasta voi todeta että Data Vault menetelmä on selvästi monimutkaisempi kuin edellä mainitut menetelmät, ainakin taulujen määrällä mitattuna. DV ei ole kaikkein käytetyin menetelmä, joskin sillä on intohimoinen kannattajajoukko. Menetelmä tallentaa kaikki lähes kaikki muutokset lähdejärjestelmästä, joka on voi olla tietyissä tilanteissa toimiva ratkaisu. Esimerkkimallista voi nähdä kyselyjen tekeminen tähän malliin on selvästi monimutkaisempaa kuin esimerkiksi dimensionaalisesta mallista.

Data Vault malli