Waarom HR-data je soms op het verkeerde been zet

Data lijkt objectief, feitelijk en betrouwbaar. Toch gaat het in de praktijk regelmatig mis bij het interpreteren ervan. In haar boek HR-Analytics: waarde creëren met data en AI laat Irma Doze zien dat de grootste risico’s niet zitten in de techniek, maar in hoe mensen naar data kijken. In dit artikel wordt duidelijk waarom HR-data je juist kan misleiden en hoe subtiele valkuilen de kwaliteit van besluitvorming beïnvloeden.

In veel organisaties hebben cijfers een bijna vanzelfsprekende autoriteit. Zodra een grafiek wordt gepresenteerd of een percentage wordt genoemd, ontstaat het gevoel dat er een feit ligt. Het gesprek verschuift van interpretatie naar acceptatie, alsof de data het laatste woord heeft.

Juist daar begint een van de meest hardnekkige valkuilen. Data geeft nooit een volledig beeld van de werkelijkheid, maar is slechts een afspiegeling ervan. Wat zichtbaar wordt, hangt af van wat er gemeten is, hoe het gemeten is en welke keuzes zijn gemaakt bij het verzamelen en verwerken van die data.
Wanneer deze context ontbreekt, ontstaat er een schijnzekerheid. Beslissingen worden genomen op basis van cijfers die overtuigend ogen, maar waarvan de betekenis niet volledig wordt begrepen. Het risico is dat organisaties zich laten sturen door wat meetbaar is, in plaats van door wat relevant is.

Het verwarren van samenhang en oorzaak

Een van de bekendste valkuilen in data-analyse is het verwarren van correlatie met causaliteit. Twee variabelen kunnen samen bewegen zonder dat de ene de oorzaak is van de andere. Toch voelt zo’n verband vaak logisch en overtuigend. Binnen HR komt dit regelmatig voor. Stel dat uit een analyse blijkt dat teams met een hogere betrokkenheid ook betere prestaties leveren. De conclusie ligt voor de hand dat betrokkenheid leidt tot betere prestaties. Maar het kan net zo goed andersom zijn, of beide kunnen worden beïnvloed door een derde factor, zoals leiderschap of werkomstandigheden.
Het gevaar zit in de snelheid waarmee conclusies worden getrokken. Wanneer een verband eenmaal zichtbaar is, ontstaat de neiging om daar direct betekenis aan te geven. Dat is begrijpelijk, maar kan leiden tot interventies die niet het beoogde effect hebben.

De invloed van definities en aannames

Data lijkt neutraal, maar is altijd gebaseerd op keuzes. Een begrip als ‘verloop’, ‘betrokkenheid’ of ‘performance’ krijgt pas betekenis door de manier waarop het wordt gedefinieerd. In de praktijk verschillen die definities vaak per organisatie, of zelfs per afdeling. Wat in de ene context als hoog verloop wordt gezien, kan in een andere context normaal zijn. Hetzelfde geldt voor prestaties of verzuim.
Wanneer deze verschillen niet expliciet worden gemaakt, ontstaat er verwarring. Vergelijkingen worden gemaakt die niet valide zijn, en conclusies worden getrokken op basis van aannames die niet gedeeld worden.
Juist deze stap vaak wordt onderschat. Het scherp definiëren van begrippen is geen formaliteit, maar een voorwaarde voor betrouwbare analyse. Zonder eenduidigheid ontstaat er ruis die moeilijk zichtbaar is, maar wel grote impact heeft op de uitkomsten.

De verleiding van gemiddelden

Een ander subtiel risico zit in het gebruik van gemiddelden. Ze geven een overzichtelijk beeld en maken complexe informatie hanteerbaar. Tegelijkertijd verbergen ze vaak belangrijke verschillen. Wanneer bijvoorbeeld het gemiddelde verzuimpercentage wordt bekeken, lijkt het alsof de organisatie als geheel stabiel functioneert. Pas wanneer wordt ingezoomd op teams of locaties, kan blijken dat er grote verschillen bestaan. Sommige teams functioneren uitstekend, terwijl andere structureel achterblijven.
Het probleem is dat gemiddelden deze verschillen maskeren. Daardoor blijft de aandacht uit voor specifieke situaties waar juist actie nodig is. Het gevolg is dat interventies generiek blijven, terwijl de werkelijkheid vraagt om maatwerk.

Data zonder context

Cijfers krijgen pas betekenis wanneer ze worden geplaatst in hun context. Toch wordt die context in de praktijk vaak onvoldoende meegenomen. Een stijging in verloop kan bijvoorbeeld worden gezien als een probleem, terwijl het in werkelijkheid samenhangt met een bewuste strategische keuze, zoals reorganisatie of vernieuwing van het personeelsbestand. Zonder dat verhaal achter de cijfers ontstaat er een verkeerde interpretatie.
Hetzelfde geldt voor trends over tijd. Een verandering lijkt significant, maar kan het gevolg zijn van een eenmalige gebeurtenis of een wijziging in registratie. Wanneer deze factoren niet worden meegenomen, ontstaat er een beeld dat niet overeenkomt met de werkelijkheid.

De invloed van het menselijk brein

Misschien wel de belangrijkste valkuil ligt niet in de data zelf, maar in hoe mensen ermee omgaan. HR-professionals zijn, net als iedereen, gevoelig voor bevestiging van wat ze al denken. Wanneer een analyse aansluit bij bestaande overtuigingen, wordt deze sneller geaccepteerd. Wanneer de uitkomst daarvan afwijkt, ontstaat er eerder twijfel.
Dit mechanisme werkt vaak onbewust, maar heeft grote invloed op besluitvorming. Data wordt niet altijd objectief geïnterpreteerd, maar gefilterd door ervaringen, verwachtingen en belangen. Juist daarom is het belangrijk om kritisch te blijven, ook wanneer een uitkomst logisch voelt. De vraag is niet alleen of iets klopt, maar ook waarom het klopt en welke alternatieve verklaringen mogelijk zijn.

De rol van AI in interpretatie

Met de opkomst van AI wordt deze uitdaging complexer. Systemen kunnen sneller analyses uitvoeren en patronen herkennen die voor mensen moeilijk zichtbaar zijn. Dat maakt het verleidelijk om meer te vertrouwen op de uitkomsten. Tegelijkertijd verandert er niets aan de kern. Ook AI werkt op basis van data en aannames. Wanneer de onderliggende data onvolledig of vertekend is, worden deze fouten meegenomen in de analyse.
Dit betekent dat interpretatie misschien wel belangrijker wordt dan ooit. Niet omdat technologie tekortschiet, maar omdat de impact van fouten groter wordt naarmate processen verder geautomatiseerd zijn.

Wat dit vraagt van HR

Het werken met data vraagt om een andere manier van kijken. Niet alleen naar wat cijfers laten zien, maar ook naar wat ze niet laten zien. Het vraagt om het stellen van vragen, het onderzoeken van aannames en het plaatsen van resultaten in context.

HR-professionals hoeven geen statistici te worden, maar moeten wel begrijpen waar de risico’s liggen. Het vermogen om kritisch te denken en om verschillende perspectieven mee te nemen, wordt daarmee een essentieel onderdeel van het vak. Juist in de combinatie van data en menselijk inzicht ontstaat kwaliteit. Data kan richting geven, maar het is de interpretatie die bepaalt of die richting klopt.

Data heeft de potentie om besluitvorming in HR aanzienlijk te verbeteren. Tegelijkertijd brengt het nieuwe risico’s met zich mee die minder zichtbaar zijn dan traditionele fouten. De grootste valkuil is misschien wel dat data vertrouwen geeft, terwijl die zekerheid niet altijd gerechtvaardigd is. Organisaties die zich daarvan bewust zijn, gaan anders om met analyses. Ze gebruiken data niet als eindpunt, maar als startpunt voor een beter gesprek. En juist in dat gesprek ontstaat de echte waarde van HR-analytics.