Personalo poreikio planavimas ir vertinimas

Anotacija#

Šis skyrius nagrinėja personalo poreikio planavimą ir vertinimą kaip verslo planavimo dalį — kiek žmonių reikia, kokių kompetencijų, kiek tai kainuoja ir kaip tai veikia įmonės vertę. Jei ankstesni III dalies skyriai atsakė į klausimus ką gaminti (5 skyrius), kaip gaminti (6 skyrius) ir kaip parduoti (7 skyrius), tai šis skyrius atsako į klausimą kas tai darys — ir svarbiausia — kiek tai kainuos ir kokią vertę kurs.

Skyriaus teorinė dalis prasideda nuo personalo planavimo evoliucijos — nuo kiekybinio darbo jėgos planavimo (1960-ieji) per strateginį žmogiškųjų išteklių valdymą iki šiuolaikinės HR analitikos. Pristatoma žmogiškojo kapitalo teorija (Schultz, Becker), Ulrich HR vaidmenų modelis, darbo jėgos paklausos ir pasiūlos prognozavimo metodai (Markov modelis, regresija), kompetencijų modeliai ir darbuotojų kaitos teorijos. Kritinė analizė aptaria žmogiškojo kapitalo matavimo ribotumą, HRP prielaidų jautrumą po COVID-19, gig economy (platforminė ekonomika) poveikį ir automatizacijos grėsmę.

Analitinė dalis pateikia septynias formules — nuo FTE poreikio skaičiavimo iki mokymosi kreivės — su realistiškais skaitiniais pavyzdžiais. Atvejų analizė iliustruoja teorinius principus per Lietuvos gamybos įmonės sezoninį personalo planavimą ir IT įmonės talentų pritraukimo iššūkius Vilniaus kontekste. Skyrius tiesiogiai siejasi su veiklos procesais (6 skyrius: gamybos pajėgumai nustato darbuotojų poreikį), rinkodara (7 skyrius: pardavimų prognozė lemia komandos dydį), finansine analize (9 skyrius: darbo kaštai yra didžiausia sąnaudų kategorija daugeliui įmonių), prognozavimu (12 skyrius) ir vertinimu (13 skyrius: žmogiškasis kapitalas kaip nematerialusis turtas).

8.1 Teorinė dalis#

8.1.1 Istorinis ir konceptualus kontekstas#

Personalo planavimo ir žmogiškųjų išteklių valdymo disciplina formavosi ilgą laiką, o kiekvienas metodologinis lūžis atsako į savo laikmečio ekonomines, socialines ir reguliacines jėgas. Žemiau chronologiškai pateikiamos pagrindinės idėjos, kurios sudaro šiuolaikinio personalo planavimo pamatą.

Ištakos: mokslinis valdymas ir žmogiškųjų santykių mokykla#

Taylor ir mokslinis valdymas (1911). Personalo planavimo ištakos yra ne „HRP” kaip tokia, o mokslinis valdymas (angl. scientific management). Frederick Winslow Taylor veikale The Principles of Scientific Management (1911) pirmą kartą suformulavo sistemingą požiūrį į darbo jėgos panaudojimą: darbo normos, laiko tyrimai, darbuotojo atranka pagal fizines ir kognityvines užduoties savybes. Taylor filosofija yra redukcionistinė — darbuotojas traktuojamas kaip gamybos funkcijos įvestis, kurios išvestis optimizuojama per griežtą procedūrinę kontrolę. Nors šiandieniniu požiūriu ši prieiga yra dehumanizuojanti, ji sukūrė pagrindą, be kurio vėlesni HRP modeliai nebūtų buvę įmanomi — Taylor pirmasis parodė, kad darbo jėga yra matuojamas ir planuojamas ekonominis resursas (Taylor, 1911).

Hawthorne eksperimentai (1924–1932). Elton Mayo ir jo Harvardo kolegos, atlikdami tyrimus Western Electric gamykloje Hawthorne (Ilinojus), padarė priešingą atradimą: darbuotojo produktyvumas priklauso ne tik nuo fizinių sąlygų (apšvietimo, temperatūros), bet ir nuo socialinių veiksnių — priklausymo grupei, vadovų dėmesio, savo darbo reikšmės suvokimo. Tai tapo žmogiškųjų santykių mokyklos (angl. human relations school) pradžia. Be šio teorinio žingsnio Becker (1964) žmogiškojo kapitalo teorija būtų buvusi neįmanoma — Mayo pirmasis parodė, kad žmogus nėra „mašina” (Roethlisberger & Dickson, 1939).

Maslow poreikių hierarchija (1943). Abraham Maslow A Theory of Human Motivation (1943) pasiūlė penkių lygių poreikių hierarchiją — fiziologiniai, saugumo, priklausymo, pripažinimo ir savirealizacijos. Nors modelis dažnai kritikuojamas dėl empirinio pagrįstumo silpnumo, jo pedagoginė ir strateginė vertė išlieka: personalo planuotojas turi suprasti, kad darbuotojų motyvacija nėra vien ekonominė. Ši įžvalga yra esminis HRP skirtumas nuo Taylor klasikinio modelio.

Drucker ir „žmogiškasis išteklius” (1954). Peter F. Drucker knygoje The Practice of Management (1954) pirmą kartą suformulavo terminą „žmogiškasis išteklius” (angl. human resource) ir konceptualizavo darbuotojus kaip vertės kūrimo variklį, ne kaštų centrą. Drucker teigė, kad personalo valdymas yra ne administracinis, o strateginis sprendimas — ši tezė tapo vėlesnės strateginio žmogiškųjų išteklių valdymo (SHRM) paradigmos ideologiniu pagrindu.

Nuo darbo jėgos planavimo iki strateginio žmogiškųjų išteklių valdymo (HRM)#

Žmogiškųjų išteklių planavimas — HRP (angl. Human Resource Planning) ir personalo poreikio planavimas (angl. workforce planning) yra giminingos sąvokos. Pirmoji akcentuoja operacinį klausimą — kiek žmonių, kokių kompetencijų ir kiek tai kainuos; antroji apima platesnį strateginį kontekstą — talentų valdymą, pasiūlos analizę, organizacinės kultūros aspektus. Šiame skyriuje abi perspektyvos integruojamos, todėl terminai vartojami sinonimiškai ir žymimi bendra santrumpa HRP.

HRP kaip formali organizacinė praktika susiformavo XX a. septintajame dešimtmetyje. Ankstyvasis pavadinimas — manpower planning — atspindėjo gamybinę orientaciją: apskaičiuoti, kiek darbuotojų reikia konkrečioms apimtims. Vetter (1967) pirmasis sistemiškai apibrėžė šį procesą kaip „organizacijos perėjimą iš dabartinės darbo jėgos pozicijos į norimą poziciją“, akcentuodamas ne tik kiekybinius, bet ir kokybinius aspektus.

Walker (1980) išplėtė koncepciją, integruodamas HRP į strateginį planavimą: (1) paklausos prognozavimas, (2) vidinės pasiūlos analizė, (3) išorinės pasiūlos vertinimas, (4) veiksmų planą atotrūkiui panaikinti. Tai buvo pokytis nuo „skaičiavimo“ prie integruoto proceso.

Walker tezė turėjo platesnį istorinį foną. Septintajame–aštuntajame dešimtmetyje JAV ir Vakarų Europos įmonės susidūrė su stagfliacija (1973–1982): lėtas augimas, aukšta infliacija, naftos krizė. Tradicinis kiekybinis manpower planning šiame kontekste tapo neadekvatus — reikėjo ne tik apskaičiuoti, kiek darbuotojų, bet ir kokybinio scenarijų planavimo: ką daryti, jei rinka staiga susitraukia? Kaip perkvalifikuoti darbuotojus? Walker integruotas HRP buvo atsakymas į šį iššūkį.

Devintajame–dešimtajame dešimtmečiuose personalo skyrius transformavosi į žmogiškųjų išteklių valdymo (angl. HRM) funkciją — globalizacija, technologiniai pokyčiai ir konkurencija dėl talentų paskatino šį pokytį (Beer et al., 1984; Guest, 1987).

Ulrich (1997) veikale Human Resource Champions pasiūlė keturių vaidmenų modelį:

flowchart TD
    subgraph STRATEGINIS["Strateginė orientacija"]
        SP["Strateginis partneris\n(strategijos įgyvendinimas)"]
        CA["Pokyčių agentas\n(transformacijos valdymas)"]
    end
    subgraph OPERACINIS["Operacinė orientacija"]
        AE["Administravimo ekspertas\n(procesų efektyvumas)"]
        EC["Darbuotojų čempionas\n(įsitraukimas, gerovė)"]
    end
    SP --- CA
    AE --- EC

    style STRATEGINIS fill:#e3f2fd,stroke:#1565c0
    style OPERACINIS fill:#e8f5e9,stroke:#2e7d32

8.1 pav. Ulrich HR vaidmenų modelis (Ulrich, 1997)

Becker, Huselid ir Ulrich (2001) The HR Scorecard parodė, kad aukšto našumo darbo sistemos (angl. High-Performance Work Systems — HPWS) turi statistiškai reikšmingą poveikį finansiniams rezultatams — HR laikytinas investicija, o ne vien kaštų centru. Cascio (2000) Costing Human Resources pateikė praktinę metodologiją HR grąžos skaičiavimui.

Žmogiškojo kapitalo teorija#

Theodore W. Schultz (1961) pirmasis argumentavo, kad švietimas ir mokymai nėra vien vartojimas — tai investicija, didinanti produktyvumą. Gary S. Becker (1964) formalizavo teoriją, įvesdamas esminę skirtį:

• Bendrasis žmogiškasis kapitalas (angl. general human capital) — vertingas daugeliui darbdavių (raštingumas, IT kompetencijos). Investicijas prisiima darbuotojas.
• Specifinis žmogiškasis kapitalas (angl. firm-specific human capital) — vertingas tik konkrečioje organizacijoje (vidinės sistemos, procesai). Investicijas dalinasi darbdavys ir darbuotojas.

Ši dichotomija turi tiesioginių pasekmių personalo planavimui: organizacijos su dideliu specifiniu kapitalu patiria didesnius kaitos kaštus ir turi investuoti daugiau į išlaikymą. Organizacijos, besiremiančios bendruoju kapitalu, lengviau pakeičia darbuotojus, bet susiduria su didesne rinkos konkurencija (Lazear, 2009).

„War for Talent“ ir talentų valdymo era#

McKinsey (1997) tyrimas „The War for Talent“ konstatavo, kad kvalifikuotų darbuotojų trūkumas tampa strategine problema. Michaels, Handfield-Jones ir Axelrod (2001) knygoje plėtojo šią temą, teigdami, kad talentų valdymas turi tapti strateginiu prioritetu. Tačiau Lewis ir Heckman (2006) kritikavo talentų valdymo koncepciją kaip nepakankamai apibrėžtą — ji apima viską nuo įdarbinimo iki lyderystės ugdymo, neturint aiškių ribų.

Lietuvos kontekste „karas dėl talentų“ įgavo specifinę formą: emigracija po ES narystės (2004) sukūrė kvalifikuotų darbuotojų deficitą, ypač gamyboje ir IT, kuris iki šiol lieka vienu pagrindinių verslo planavimo iššūkių.

Lietuvos darbo rinkos ir reguliavimo raida#

Lietuvos personalo planavimo kontekstas formavosi paraleliai su Vakarų Europos, bet su specifiniais lūžio taškais:

1990–2004 m. — transformacinis laikotarpis. 1990 m. Nepriklausomybės atkūrimas ir perėjimas iš planinės į rinkos ekonomiką sukėlė masinį darbo jėgos persiskirstymą: sovietinės pramonės gamyklos užsidarė arba transformavosi, atsirado privatus sektorius. Šiuo laikotarpiu personalo planavimas praktiškai neegzistavo — įmonės kovojo su operaciniu išgyvenimu, o personalo funkcija apsiribojo atlyginimų skaičiavimu. Akademinėje literatūroje pastebėta, kad „vakarietiškų” HR praktikų perkėlimas į post-sovietinę aplinką reikalauja reikšmingos adaptacijos (Bučiūnienė & Kazlauskaitė, 2012).

2004 m. — ES narystė ir emigracijos banga. Lietuvai įstojus į ES, prasidėjo masinis kvalifikuotų darbuotojų išvykimas į Vakarų Europą (ypač Jungtinę Karalystę ir Airiją). Per 2004–2013 m. laikotarpį Lietuva prarado apie 400 000 gyventojų (Eurostat, 2023), o pagrindinis personalo planavimo iššūkis tapo ne pasiūlos prognozavimas, o pasiūlos atkūrimas. Tai sukūrė unikalią situaciją: Lietuvos įmonės pradėjo rimtai žiūrėti į darbuotojų išlaikymą anksčiau nei į kaitos sąnaudų analizę.

2017 m. — Darbo kodekso reforma. 2017 m. liepos 1 d. įsigaliojęs naujasis Lietuvos Respublikos darbo kodeksas iš esmės liberalizavo darbo santykius: supaprastintos atleidimo procedūros, įvestos terminuotos ir projektinės sutartys, darbo tarybos privalomos įmonėse nuo 20 darbuotojų (Lietuvos Respublikos darbo kodeksas, 2016). Pokyčiai padidino darbdavio lankstumą, bet kartu perkėlė dalį rizikos darbuotojui — liberalesnės atleidimo sąlygos veikia abiem kryptimis (Davulis, 2018).

2019 m. — Sodros reforma. Nuo 2019 m. sausio 1 d. didžioji socialinio draudimo dalis perkelta darbuotojui: jo atlyginimas padidintas 1,289 karto, o darbdavio „Sodra” dalis sumažinta iki ≈2,09 % (VSD 1,77 % + garantinis fondas 0,16 % + ilgalaikio darbo išmoka 0,16 %). Tai keičia darbo kaštų struktūros matymą — bruto atlyginimas dabar beveik lygus bendram darbdavio kaštui, todėl pagrindinė optimizavimo erdvė yra mokymai, darbo vietos infrastruktūra ir naudų paketai, ne tiek mokesčių struktūra.

2020 m. — COVID-19 ir hibridinio darbo įsitvirtinimas. Pandemijos metu Lietuvos IT sektorius išgyveno sparčiausią augimą istorijoje — nuotolinis darbas leido dirbti užsienio klientams be fizinio persikėlimo. Tuo pat metu gamybos sektoriuje darbuotojų deficitas pagilėjo iki kritinio — trečiųjų šalių darbuotojų pritraukimas (Ukraina, Baltarusija, Pietryčių Azija) tapo pagrindiniu atsako mechanizmu (Migracijos departamentas, 2023).

2022 m. — Ukrainos pabėgėlių banga. 2022 m. Rusijos invazija į Ukrainą sukėlė didžiausią migracijos bangą į Lietuvą per visą istoriją: per 2022 m. Lietuvoje įsikūrė daugiau nei 80 000 ukrainiečių, iš jų didelė dalis — darbingo amžiaus. Tai laikinai sušvelnino darbo jėgos deficitą kai kuriuose sektoriuose (gamyba, logistika), bet kartu sukūrė naujus iššūkius integracijai, kalbos mokymui ir darbo teisių apsaugai.

2023 m.+ — Pay Transparency era. ES Pay Transparency direktyva (2023/970), kuri valstybėse narėse turi būti įgyvendinta iki 2026 m. birželio, fundamentaliai keičia darbo užmokesčio politikos formavimą: įmonės turi atskleisti algų diapazonus skelbimuose, leisti darbuotojams reikalauti informacijos apie panašių pareigybių algas, o įmonės nuo 100 darbuotojų privalomai pateikti lyčių algų skirtumų ataskaitas. Poveikis personalo planavimui: algų politika tampa dokumentuojamas sprendimas, ne ad hoc susitarimas.

Integracinis perėjimas#

Šios istorinės lūžio linijos — nuo Taylor mokslinio valdymo iki Pay Transparency eros — rodo, kad personalo planavimas niekada nebuvo vien „techninis” klausimas. Kiekvienas metodologinis pokytis atsakė į savo laikmečio politines, ekonomines ir socialines jėgas. Šiandieniniams personalo planuotojams tai reiškia du dalykus: (1) nė vienas modelis nėra universalus — jis turi būti pritaikomas konkrečios rinkos ir laikmečio kontekstui; (2) dabartiniai iššūkiai (dirbtinis intelektas, kartų skirtumai, ESG) yra tik naujausias ilgalaikės evoliucijos etapas, ne pirmoji transformacija.

8.1.2 Pagrindinės teorijos ir modeliai#

Darbo jėgos paklausos prognozavimas#

Regresijos metodai. Darbo jėgos poreikis prognozuojamas kaip priklausomas kintamasis nuo verslo apimties rodiklių. Paprasčiausiu atveju:

kur $\beta$ yra vieneto elastingumo koeficientas — kiek papildomų FTE reikia kiekvienam papildomam pajamų milijonui. Tipiškai gamybos sektoriuje $R^2$ tarp pajamų ir FTE siekia 0,75–0,90, o paslaugų sektoriuje — 0,60–0,80 (Cascio & Boudreau, 2011). Tačiau tiesinė priklausomybė galioja tik stabilioje aplinkoje; sparčiai augančioms įmonėms būdingas nelinijinis elastingumas — pirmieji 10 darbuotojų sukuria daugiau vertės nei sekantys 10, dėl mokymosi kreivės ir masto ekonomijos.

Pažangesni modeliai naudoja daugiafaktorinę regresiją su keliais nepriklausomais kintamaisiais (pardavimai, klientų skaičius, sezono rodiklis, automatizacijos lygis). Pavyzdžiui, Rytų Europos gamybos įmonėse darbo jėgos paklausa dažnai geriausiai prognozuojama dviejų kintamųjų modeliu: gamybos apimtis ir sezono rodiklis.

Laiko eilučių ARIMA modelis (angl. AutoRegressive Integrated Moving Average) tinkamas, kai stebimas stiprus sezoniškumas ar cikliškumas — pvz., mažmeninės prekybos personalo planavimui prieš Kalėdas. Tačiau ARIMA reikalauja ilgesnių istorinių eilučių (bent 3 metų mėnesinių duomenų) ir yra sudėtingesnis taikyme nei paprasta regresija.

FTE poreikio formulė — tiesioginis skaičiavimas iš planuojamos apimties:

kur $Q$ — planuojama apimtis (vienetais), $P$ — darbuotojo produktyvumas (vienetais per valandą), $T_{fondas}$ — efektyvus darbo laiko fondas (valandomis per periodą). Formulė ir pavyzdys — 8.2 poskyryje.

Pareigybių analizė — planavimo iš apačios į viršų (angl. bottom-up) metodas: kiekvienas skyrius/funkcija nurodo savo poreikį pagal planuojamą veiklos apimtį. Privalumas — tikslumas; trūkumas — subjektyvumas (vadovai linkę „pūsti“ poreikį).

Darbo jėgos pasiūlos analizė#

Vidinė pasiūla — Markov modelis. Darbuotojų srautai tarp pareigybių lygių modeliuojami kaip perėjimų tikimybių matrica. Šis modelis ypač naudingas paveldėjimo planavimui (angl. succession planning) ir vidinio talentų „vamzdyno” analizei (Rothwell, 1995). Idėja paprasta: kiekvienam pareigybių lygiui žinome tikimybes, kurios atspindi, kiek darbuotojų per laikotarpį (a) lieka toje pačioje pozicijoje, (b) pakyla į aukštesnį lygį, (c) palieka organizaciją. Iš šių tikimybių formuojama perėjimų matrica, kurią pritaikę pradiniam personalo vektoriui, gauname prognozę, kaip struktūra atrodys po vieno, dviejų ar trijų metų.

Formalus apibrėžimas, skaitinis pavyzdys ir prognozių interpretacija pateikiami 8.2 sekcijoje (formulė 8.8) — ten Markov modelio mechanika parodoma konkrečiu trijų lygių inžinierių komandos pavyzdžiu. Praktiniu požiūriu svarbu, kad šis modelis leidžia identifikuoti „talentų vamzdyno” spragas — pozicijas, kurias sunku užpildyti vidiniu paaukštinimu, todėl reikia arba ankstyvesnės ugdymo investicijos, arba išorinio samdymo plano.

Kvalifikacijų inventorius (angl. skills inventory) — vidinė duomenų bazė su kiekvieno darbuotojo kompetencijomis, patirtimi, sertifikatais ir karjeros aspiracijomis. Leidžia greitai identifikuoti, ar organizacija turi vidinius kandidatus naujiems poreikiams.

Išorinė pasiūla — darbo rinkos tendencijos, demografiniai pokyčiai, švietimo sistemos produkcija. Lietuvos kontekste svarbiausi veiksniai: senėjanti visuomenė (vidutinis amžius 2025 m. — ~42 metai), emigracija, IT specialistų konkurencija regione.

Darbo produktyvumo matavimas#

Trys pagrindiniai rodikliai:

• Pajamos per darbuotoją: $\text{Rev/FTE} = \text{Pajamos} / \text{FTE}$
• Pridėtinė vertė per darbuotoją: $\text{VA/FTE} = (\text{Pajamos} - \text{Medžiagų kaštai}) / \text{FTE}$
• OLE (angl. Overall Labor Effectiveness) — analogija OEE (žr. 6 skyrių): $OLE = \text{Prieinamumas} \times \text{Našumas} \times \text{Kokybė}$

Kompetencijų modeliai#

McClelland (1973) straipsnyje Testing for Competence Rather Than for “Intelligence” pasiūlė vertinti darbuotojus pagal kompetencijas, o ne tik IQ ar diplomus. Jis parodė, kad tradiciniai intelekto testai neprognozuoja darbo sėkmės — svarbesnės yra konkrečios elgesio kompetencijos, tokios kaip iniciatyvumas, orientacija į rezultatus ir komunikacija.

Boyatzis (1982) veikale The Competent Manager sukūrė formalią kompetencijų modeliavimo metodologiją, apibrėždamas kompetenciją kaip „pagrindinę asmens savybę, kuri priežastiniu ryšiu siejasi su efektyviu ar aukštu darbo atlikimu”. Atnaujintoje versijoje (Boyatzis, 2008) jis skiria keturias kompetencijų grupes: kognityvines, emocinio intelekto, socialinio intelekto ir techninės specializacijos.

Spencer ir Spencer (1993) veikale Competence at Work išplėtojo Boyatzis modelį, pridėdami „ledo kalno” metaforą: matomos kompetencijos (žinios, įgūdžiai) yra lengvai keičiamos per mokymus, o paslėptos (motyvai, asmenybės bruožai, savivaizdis) — sunkiai keičiamos, todėl jos turi būti vertinamos atrankoje, ne ugdomos. Tai turi tiesioginę pasekmę personalo planavimui: sparčiai augančios įmonės turi investuoti daugiau į atranką (kur tikrinami paslėpti bruožai), o stabilios — į mokymus (kur galima ugdyti matomas kompetencijas).

Šiuolaikinėse organizacijose kompetencijų modeliai skirstomi į tris tipus (Lombardo & Eichinger, 2006 — Lominger framework):

• Bendrosios kompetencijos (angl. core competencies) — visiems darbuotojams (pvz., komandinis darbas, komunikacija);
• Lyderystės kompetencijos (angl. leadership competencies) — vadovų pozicijoms (pvz., strateginis mąstymas, pokyčių valdymas);
• Funkcinės kompetencijos (angl. functional competencies) — specifinės pareigybei (pvz., finansininko — finansinio modeliavimo, IT architekto — sistemų projektavimo).

Praktikoje kompetencijų modeliai naudojami: (a) pareigybių aprašymams, (b) atrankos kriterijams, (c) mokymų poreikio identifikavimui, (d) veiklos vertinimui, (e) karjeros planavimui. SHRM BASK (Body of Applied Skills and Knowledge) modelis (SHRM, 2021) yra vienas plačiausiai taikomų standartų HR profesionalams, apibrėžiantis 9 elgesio kompetencijas ir 14 techninių žinių sričių.

Darbuotojų kaitos modeliai#

March ir Simon (1958) Organizations suformulavo pirmąjį sisteminį kaitos modelį: darbuotojo sprendimas palikti organizaciją priklauso nuo dviejų veiksnių — pasitenkinimo darbu (noro pasilikti) ir alternatyvų prieinamumo (galimybės palikti).

Mobley (1977) detalizavo procesą (žr. 8.2 pav.): kaita yra procesas, ne momentinis sprendimas — ir organizacija gali įsikišti keliuose etapuose.

8.2 pav. Darbuotojo kaitos proceso modelis (adaptuota pagal Mobley, 1977)

flowchart LR
    A["Nepasitenkinimas\ndarbu"] --> B["Mintys apie\npasitraukimą"]
    B --> C["Darbo paieškos\nketinimas"]
    C --> D["Alternatyvų\nvertinimas"]
    D -->|Geresnė alternatyva| E["Sprendimas\npalikti"]
    D -->|Nėra geresnės| F["Sprendimas\nlikti"]

    I1["Intervencija:\ngrįžtamasis ryšys,\nkarjeros planas"] -.->|Organizacija gali\nįsikišti| B
    I2["Intervencija:\natlyginimo peržiūra,\nlankstumas"] -.->|Organizacija gali\nįsikišti| C

    style A fill:#ffcdd2,stroke:#c62828
    style E fill:#ffcdd2,stroke:#c62828
    style F fill:#c8e6c9,stroke:#2e7d32
    style I1 fill:#fff9c4,stroke:#f57f17
    style I2 fill:#fff9c4,stroke:#f57f17

Steers ir Mowday (1981) išplėtė March-Simon modelį, įvesdami darbo įsitraukimo (angl. job involvement) ir organizacinio įsipareigojimo (angl. organizational commitment) dimensijas. Jų modelis teigia, kad darbuotojas nepaliks organizacijos, jei yra stipriai įsipareigojęs, net jei nepatenkintas tam tikrais aspektais. Tai paaiškina „lojalių darbuotojų” fenomeną — kai kurie darbuotojai lieka, nors galėtų gauti geresnį atlyginimą kitur.

Lee ir Mitchell (1994) Unfolding model of voluntary turnover pasiūlė radikaliai kitokį požiūrį: darbuotojų išėjimas dažnai nėra racionalus „pasitenkinimo ir alternatyvų” skaičiavimas, o jį sukelia konkretus įvykis (angl. shock) — netikėtas vadovo pakeitimas, neteisingo sprendimo jausmas, neigiamas įvykis su kolega. Šis modelis įveda „kelius iš organizacijos” (angl. decision paths) koncepciją: (1) impulsyvus išėjimas po šoko, (2) racionalizuotas palikimas be alternatyvų, (3) racionalizuotas palikimas su alternatyvomis, (4) nepasitenkinimu pagrįstas palikimas be šoko. Pedagogiškai svarbu, kad ne visi išėjimai yra „planuojami” — dalis yra reaktyvūs, ir personalo planuotojas negali jų visiškai prognozuoti.

Hom, Griffeth ir Gaertner (2017) meta-analizė, apėmusi daugiau nei 450 empirinių tyrimų, atskleidė, kad darbuotojų kaitą geriausiai prognozuoja trys veiksniai: (1) darbo pasitenkinimas, (2) afektinis įsipareigojimas organizacijai (ne normatyvinis), (3) suvokiamos alternatyvos darbo rinkoje. Šių trijų veiksnių koreliacija su faktine kaita siekia apie $r = 0{,}45–0{,}55$, o modelis paaiškina ~25 % dispersijos. Tai reiškia, kad net geriausi kaitos modeliai negali visiškai prognozuoti atskirų darbuotojų elgesio — yra didelis atsitiktinumo elementas. Prognoziniai modeliai naudingi agreguotuose sprendimuose, bet ne individualiuose.

Kaitos kaštai apima: (1) tiesioginius (įdarbinimo, atrankos, mokymo kaštai), (2) netiesioginius (produktyvumo praradimas, likusių darbuotojų apkrovimo didėjimas, žinių praradimas), (3) oportunitetinius (prarastos galimybės dėl neužpildytos pozicijos). SHRM (2022) apibendrinime nurodoma, kad vieno darbuotojo pakeitimo kaštai svyruoja nuo 50 % iki 200 % metinio atlyginimo, priklausomai nuo pozicijos lygio — vadovybės pareigoms šis rodiklis dažnai dar didesnis.

8.1.3 Kritinė analizė ir diskusija#

Žmogiškojo kapitalo matavimo ribotumas#

Ar galima „įvertinti“ žmogų eurais? Žmogiškojo kapitalo teorija traktuoja darbuotojus kaip investiciją su matoma grąža, tačiau tai kelia fundamentalias problemas: (1) žmogus nėra turtas — jis gali laisvai palikti organizaciją, todėl „investicijos grąža“ nėra garantuota; (2) kūrybiškumas, lojalumas, organizacinė kultūra sunkiai kiekybiškai matuojami; (3) per didelis dėmesys finansinei grąžai gali skatinti žiūrėti į darbuotojus instrumentiškai.

Tačiau verslo planavimo kontekste kiekybinis personalo vertinimas yra būtinas — be jo neįmanoma racionaliai paskirstyti biudžeto, pagrįsti investicijų į mokymą ar įvertinti kaitos poveikio. Sprendimas — naudoti kiekybinius rodiklius kaip sprendimų pagalbą, ne kaip galutinį vertės matą.

Kartų elgsenos darbo rinkoje daugiavariantiškumas#

XXI a. pirmąjį ketvirtį darbo rinkoje pirmą kartą istorijoje dirba penkios kartos vienu metu: Tylioji karta (1928–1945), Baby Boomers (1946–1964), X karta (1965–1980), Y karta / Millenialai (1981–1996) ir Z karta (1997–2012). Artimiausiu dešimtmečiu prisijungs Alpha karta (2013–2024) — pirmieji visiškai DI-impregnuoti darbuotojai (Twenge, 2023). Ši daugiavariantiškumas yra didžiausias personalo valdymo iššūkis nuo Ulrich modelio sukūrimo.

Konceptualinis pagrindas. Kartų teorija (angl. generation theory) teigia, kad tos pačios epochos patirtyse dalyvaujantys žmonės formuoja bendras vertybes, komunikacijos stilius ir darbo lūkesčius. Mannheim (1928) Das Problem der Generationen pirmasis formalizavo šią idėją: karta nėra biologinis, o sociologinis vienetas, susijęs su konkrečiais istoriniais įvykiais. Strauss ir Howe (1997) The Fourth Turning išplėtojo šią teoriją į keturių ciklinių „posūkių” modelį, kuris nors ir dažnai kritikuojamas dėl determinizmo, tapo pagrindu šiuolaikinei kartų diskusijai.

Pagrindinių kartų darbo vertybės ir lūkesčiai (Twenge et al., 2010; Deloitte, 2024):

Millenialai darbo rinkoje. 2024 m. Millenialai sudarė didžiausią dalį pasaulinės darbo jėgos — apie 35 %, o iki 2030 m. tai pasieks ~42 % (Deloitte, 2024). Lietuvoje Millenialų dalis IT sektoriuje dar aukštesnė — apie 55 % (Infobalt, 2023). Jų pagrindiniai lūkesčiai darbdaviui: (1) aiški karjeros trajektorija (ne tik „darbas”, bet augimo kelias), (2) reguliarus grįžtamasis ryšys (ne kartą per metus), (3) darbo prasmė — ne tik atlyginimas, bet kodėl ši įmonė egzistuoja, (4) vertybinis suderinamumas — ESG, įvairovė, socialinė atsakomybė.

Z karta: skaitmeninis gimtumas ir „Quiet quitting”. Z kartos darbuotojai yra pirmieji „tikri skaitmenos čiabuviai” — jie neprisimena pasaulio be interneto ir išmaniojo telefono. Tai formuoja specifinius darbo elgesio bruožus: nepakanti lėtai komunikacijai, reikalauja skaidrumo (algų, karjeros struktūros), psichologinė sauga yra esminis reikalavimas, ne bonusas. 2022 m. iškilęs quiet quitting fenomenas (darbuotojas atlieka tik minimalius pareigybės reikalavimus, be viršvalandžių ir papildomo įsitraukimo) pradžioje buvo laikomas Z kartos ekscesu, bet vėlesni tyrimai parodė, kad šis elgesys paplitęs visose kartose — Z karta tik yra garsiausia apie tai.

Lietuvos Gen Z specifika. Lietuvos Gen Z darbuotojai turi unikalių bruožų: aukštas skaitmeninis raštingumas, bet ir stipri orientacija į išvykimą (2023 m. Eurostudent tyrime apie trečdalis Lietuvos studentų teigė, kad po studijų planuoja dirbti užsienyje), stiprus dėmesys psichologinei sveikatai (SAM duomenimis, nerimo sutrikimų diagnozių dalis jauniems suaugusiems 2020–2023 m. augo). Personalo planuotojas, dirbantis su šia karta, turi vertinti ne tik formalų įdarbinimą, bet ir išlaikymo rizikos prognozavimą per psichologinės saugos indikatorius.

Kritinis vertinimas. Kartų teorija nėra universaliai priimta. Costanza et al. (2012) meta-analizėje (20 empirinių tyrimų) parodė, kad dauguma „kartų skirtumų” darbo vietoje iš tiesų yra paaiškinami amžiaus ir karjeros etapo efektais, ne kartos priklausomybe. Rudolph et al. (2021) pažymi, kad kartų stereotipų akcentavimas gali tapti reverse diskriminacijos priežastimi („tu per senas, kad suprastum technologijas”, „tu per jauna, kad būtum lyderė”). Todėl personalo planuotojas turėtų naudoti kartų analizę kaip hipotezių generatorių, ne kaip veiksmų receptą. Iš praktikos perspektyvos svarbiau yra individualus kompetencijų ir lūkesčių įvertinimas, ne grupinis priskyrimas pagal gimimo metus.

Nuotolinio darbo ilgalaikis poveikis ir „Didysis atsistatydinimas”#

COVID-19 pandemija (2020–2022) fundamentaliai pakeitė personalo planavimo prielaidas. Iki pandemijos nuotolinis darbas buvo išimtis (~5 % darbo vietų JAV ir ES); po pandemijos — norma (~25–40 % priklausomai nuo sektoriaus). Šis pokytis yra ne tik techninis, bet ir struktūrinis.

Bloom et al. (2022) Stanford nuotolinio darbo tyrimas. Ilgalaikis eksperimentinis tyrimas Kinijos kompanijoje Ctrip parodė, kad hibridinis modelis (2 dienos iš namų, 3 biure) padidina produktyvumą ~13 % ir sumažina kaitą iki 50 %, be neigiamo poveikio karjeros pažangai. Tačiau pilnai nuotolinis darbas parodė priešingus rezultatus: produktyvumas sumažėjo ~10 %, o darbuotojų paaukštinimų rodikliai — iki 50 % lyginant su biuro kolegomis. Tai vadinama „proximity bias” fenomenu — nuotoliniai darbuotojai yra mažiau matomi vadovams, todėl rečiau paaukštinami.

Barrero, Bloom ir Davis (2023) SWAA (Survey of Working Arrangements and Attitudes). Ilgalaikis JAV tyrimas rodo, kad po 2022 m. nuotolinio darbo dalis stabilizavosi ~28 % (vs ~47 % pandemijos piko metu). Šis skaičius yra stabilus nuo 2023 m. — tai rodo, kad hibridinis modelis tapo nauja norma, ne laikina adaptacija.

„Didysis atsistatydinimas” (Great Resignation, 2021–2022). Klotz (2021) populiarino šį terminą, aprašydamas masinę darbuotojų kaitą JAV — per 2021 m. išėjimų skaičius pasiekė istorinį maksimumą (~48 mln.). Pagrindinės priežastys: (1) atidėti sprendimai (darbuotojai nenorėjo keisti darbo per pandemiją, bet kai saugumas atsirado — sprendimus priėmė staiga), (2) perkvalifikavimo galimybė (nuotolinis darbas atvėrė geografiškai tolimas pozicijas), (3) vertybinis perskirstymas („kas iš tiesų svarbu?” pandemijos refleksija). Lietuvoje „Didysis atsistatydinimas” neturėjo tiek ryškaus atspindžio — kaitos rodikliai 2021–2022 m. Lietuvos IT sektoriuje išliko ~22–25 % ribose, nebuvo didesnio šuolio nei priešpandeminiu laikotarpiu.

Lietuvos kontekstas. Po pandemijos Lietuvos IT sektoriuje hibridinis modelis (3–4 dienos nuotoliniai, 1–2 biure) tapo standartu; paslaugų sektoriuje — mišrus (dalinai nuotolinis, priklausomai nuo pareigų); gamyboje — natūraliai fiziniai darbai liko gamykloje. Įdomus Lietuvos bruožas: daugelis IT darbuotojų pradėjo dirbti užsienio klientams nepersikeliant, o tai sukūrė naują „lokalizuoto globalaus darbuotojo” fenomeną — gyvena Vilniuje, dirba Silicon Valley klientams. Personalo planuotojui tai reiškia, kad vietos darbo rinka nebėra uždara — Lietuvos specialistai konkuruoja su globaliais siūlymais.

Platforminė ekonomika ir platforminis darbas (angl. gig economy)#

Tradicinis HRP remiasi prielaida, kad darbuotojas yra pilno etato, neterminuotos sutarties darbuotojas. Tačiau auganti platforminė ekonomika (Uber, Bolt, Upwork, Fiverr) ir platforminis darbas keičia šią prielaidą: vis daugiau darbo atliekama per laisvai samdomus specialistus, laikinas sutartis ir platformas. Tai kelia klausimą: ar HRP turi planuoti ne tik etatų, bet ir „elastinės darbo jėgos“ poreikį?

Automatizacijos debatai: pesimistinis vs optimistinis požiūris#

Frey ir Osborne (2017) tyrime The Future of Employment įvertino, kad ~47 % JAV darbo vietų turi didelę automatizacijos riziką per 10–20 metų. Šis skaičius tapo plačiai cituojamas ir dažnai suprantamas kaip „beveik pusė darbo vietų pranyks”. Tačiau realybė yra sudėtingesnė — ši prognozė yra vienas iš kelių konkurencinių scenarijų, ir kiti modeliai duoda kardinaliai skirtingus rezultatus.

Arntz, Gregory ir Zierahn (2016) OECD tyrimas taikė užduoties (angl. task-based) prieigą vietoj profesijos prieigos. Jų išvada: tik ~9 % darbo vietų OECD šalyse yra „aukštos automatizacijos rizikos”, nes dauguma profesijų turi bent kelias užduotis, kurios sunkiai automatizuojamos. Skirtumas tarp 47 % ir 9 % yra ne statistinė klaida, o metodologinis ginčas: Frey-Osborne vertino profesijas kaip monolitus, Arntz-Gregory-Zierahn — kaip užduočių rinkinius.

Acemoglu ir Restrepo (2020) „užduočių rėmas” išplėtė diskusiją. Jų modelyje darbo rinkos dinamika priklauso nuo dviejų konkuruojančių jėgų: (a) pakeitimo efektas (angl. displacement effect) — automatizacija pakeičia žmogaus darbą; (b) produktyvumo efektas (angl. productivity effect) — automatizacija sukuria naujas užduotis ir paklausą kitur ekonomikoje. Jei produktyvumo efektas yra stipresnis nei pakeitimo — ekonomika auga kartu su automatizacija (kaip įvyko XX a. su elektrifikacija). Jei silpnesnis — gauname neigiamą darbo rinkos šoką. Empirinė analizė rodo, kad nuo 1990 m. JAV automatizacijos pakeitimo efektas dominuoja — tai paaiškina, kodėl viduriniosios klasės atlyginimai stagnuoja, nors bendras BVP auga (Acemoglu & Restrepo, 2020).

Generatyvinio DI era (2022→). ChatGPT (2022 m. lapkritis) iškėlė naują diskusijos bangą: iki tol automatizacija grėsė tik rutininiam rankų ir kognityviniam darbui, bet generatyviniai modeliai gali atlikti ir kūrybinį darbą — rašyti, programuoti, projektuoti. Autor (2022) savo „augmentavimo tezėje” teigia, kad dauguma šio poveikio yra darbo augmentavimas, ne pakeitimas: specialistai su DI įrankiais atlieka daugiau užduočių, bet pats darbo vietų skaičius nesumažėja.

Lietuvos kontekstas. Lietuvos gamybos sektoriuje automatizacijos rizika yra vidutiniškai OECD lygyje (~25–35 %), o paslaugų sektoriuje — žemesnė (~15–25 %). IT sektoriuje Lietuvoje matoma priešinga tendencija: augmentavimas dominuoja, programuotojų skaičius auga, nes LLM keičia užduoties prigimtį (kūrybinė architektūra vietoj rutininio kodavimo), ne pačią darbo vietą. Tai atitinka Autor (2022) „augmentavimo tezę”.

Personalo planuotojo pasirinkimas. Susiklosčius tokiai neapibrėžčiai, Susskind (2020) A World Without Work siūlo tris scenarijus: (1) augmentavimas — automatizacija padeda, darbo vietų skaičius auga; (2) poliarizacija — atsiranda „labai aukšti” ir „labai žemi” darbai, vidurys nyksta; (3) post-darbo visuomenė — didelė dalis darbo vietų pranyksta, reikalinga universali bazinė pajamų politika. Personalo planavimui tai reiškia, kad ne tik prognozuojamas dabartinio personalo poreikis, bet vertinama ir strateginė rizika — kokios pozicijos gali tapti nebereikalingos, ir kokios naujos gali atsirasti.

ESG ir darbuotojų gerovė kaip verslo vertės dimensija#

Darbo sąlygos ir darbuotojų gerovė (angl. employee wellbeing) tampa ne tik etikos, bet ir verslo vertės klausimu. ESG (aplinkosauga, socialinė atsakomybė, valdysena) vertinime „S” dimensija apima kelias darbo rinkos sritis:

Darbo užmokesčio skaidrumas. 2023 m. ES priėmė Pay Transparency direktyvą (2023/970), kurią valstybės narės turi įgyvendinti iki 2026 m. birželio. Pagrindiniai reikalavimai: (a) įdarbinimo skelbimuose turi būti nurodytas algų diapazonas; (b) darbuotojai turi teisę reikalauti informacijos apie panašių pareigybių algas; (c) įmonės nuo 100 darbuotojų privalomai pateikia lyčių algų skirtumų ataskaitas kas 3 metus; (d) jei algų skirtumas viršija 5 % ir nėra paaiškinamas objektyviais veiksniais, darbdavys privalo atlikti „bendrą algų vertinimą” (angl. joint pay assessment). Poveikis personalo planavimui: algų politika tampa dokumentuojamas sprendimas, ne ad hoc susitarimas; atlyginimų strategijos turi būti pagrįstos aiškiais kriterijais.

ISO 30414:2018 — HR Reporting standartas. Šis tarptautinis standartas apibrėžia 59 žmogiškųjų išteklių rodiklius, kuriuos įmonės gali atskleisti savo metinėse ataskaitose. Pagrindinės kategorijos: darbuotojų skaičius ir struktūra, darbo kaštai, darbuotojų pasitenkinimas, kaita, mokymai, įvairovė, produktyvumas. Nors standartas yra savanoriškas, didelės įmonės (ypač listinguojamos) vis dažniau jį taiko kaip ESG ataskaitų dalį.

CSRD ir darbo jėgos metrikos. ES Corporate Sustainability Reporting Directive (2022) nuo 2024 m. palaipsniui įveda privalomą ESG ataskaitų teikimą. Darbo jėgos metrikos apima: darbo sutarčių tipus, vidutinį atlyginimą pagal lytį ir amžių, darbuotojų nelaimingų atsitikimų rodiklius, kolektyvinio derybų padengimą. Tai fundamentaliai keičia darbo jėgos valdymą: jis tampa audituojamas, ne tik vidinis.

B Corp sertifikavimas ir kiti „etiniai įmonių” žymekliai tampa svarbūs talentų pritraukimui, ypač Millenialų ir Z kartos segmentuose, kuriems „kodėl ši įmonė egzistuoja” yra kritinis sprendimo veiksnys (Deloitte, 2024). Įmonės su stipria darbuotojų gerovės programa gali pritraukti talentus efektyviau ir patirti mažesnę kaitą, nors tikslus poveikis priklauso nuo sektoriaus ir konteksto.

8.1.4 Technologijų perspektyva#

Kompiuterizacija (1970–1995)#

Pirmosios žmogiškųjų išteklių informacinės sistemos (angl. Human Resource Information Systems — HRIS) atsirado 1970-aisiais didelėse korporacijose kaip atlyginimų apskaičiavimo automatizavimo priemonės. Ankstyvosios sistemos buvo centralizuotos (mainframe), skirtos atlyginimų skaičiavimui, darbo laiko apskaitai ir bazinei darbuotojų duomenų bazei — vardas, pareigos, atlyginimas, darbo pradžia (Kavanagh et al., 2015).

SAP R/2 (1979) buvo pirmoji integruota sistema, sujungianti personalo modulį su finansų apskaita. Tai leido darbdaviams matyti darbo kaštus kaip dalį bendrosios finansinės informacijos — revoliucinė koncepcija, palyginti su anksčiau silo’izuota HR funkcija. PeopleSoft (įkurta 1987) ir Oracle HRMS (1990-ieji) perkėlė HRIS iš mainframe į kliento-serverio architektūrą, padarydami šias sistemas prieinamas vidutinėms įmonėms.

Lietuvoje šio laikotarpio HRIS sistemų praktiškai nebuvo — sovietinis ir ankstyvasis nepriklausomybės laikotarpio personalo valdymas buvo popierinis. Pirmosios vietos sistemos (B1, Rivilė HR) atsirado tik 1990-ųjų pabaigoje.

Poveikis personalo planavimui. Pirmoji banga iš esmės automatizavo administracines funkcijas — atlyginimų skaičiavimą, atostogų apskaitą, darbuotojų sąrašo tvarkymą. Tačiau strateginio personalo planavimo šie įrankiai nepalietė — duomenys buvo saugomi, bet retai analizuojami. Tai atitinka Ulrich (1997) modelio „administravimo eksperto” vaidmenį — efektyvesnis procesų vykdymas, bet ne strateginis vertės kūrimas.

Internetas ir duomenys (1995–2020)#

Internetas transformavo personalo funkciją keliomis fundamentaliomis kryptimis:

Įdarbinimas tapo skaitmeninis. Monster.com (1994), LinkedIn (2003), o Lietuvoje — CV.lt (2000) ir CVBankas.lt (2002) — pakeitė įdarbinimo procesą iš laikraščio skelbimų ir tarpininkavimo agentūrų į platforminę ekonomiką. LinkedIn 2024 m. turėjo daugiau nei 1 mlrd. vartotojų ir tapo de facto profesinio tinklo standartu. Lietuvoje CV.lt ir CVBankas.lt yra dominuojančios platformos — per jas ieško darbo ir skelbiasi absoliuti dauguma kandidatų bei darbdavių.

Kandidatų sekimo sistemos (ATS). Taleo (2000-ųjų pradžia), vėliau Greenhouse (2012), Lever (2012) ir SmartRecruiters (2010) automatizavo kandidatų valdymo procesą: nuo CV gavimo iki įdarbinimo patvirtinimo. Tai įgalino data-driven hiring — kiekviena atrankos stadija pamatuojama (laikas iki užpildymo, kandidatų kvalifikavimo rodiklis, konversijos rodiklis).

E-mokymasis (angl. e-learning). Moodle (2002), Coursera (2012), LinkedIn Learning (2016) — leido įmonėms organizuoti darbuotojų kvalifikacijos kėlimą be fizinio buvimo klasėje. Mokymų kaštai sumažėjo, kvalifikacijos kėlimo tempas pagreitėjo, vidinis darbuotojas gali perimti naujus vaidmenis greičiau (Noe, 2020).

Žmogiškųjų išteklių analitika (angl. people analytics). Terminas populiarėjo nuo 2010-ųjų, kai Google suformavo „People Analytics” komandą ir Project Oxygen (2008) identifikavo 8 elgesio bruožus, skiriančius gerus ir prastus vadovus (Garvin, 2013). Marler ir Boudreau (2017) sistemingoje apžvalgoje konstatavo, kad HR analitika vis dar yra ankstyvoje stadijoje: daugelis organizacijų naudoja tik deskriptyvinę analitiką (ataskaitų generavimą), o iki predikcinės ar preskripcinės analitikos prieina nedaugelis.

Bersin HR technologijų brandos modelis (2019) išskiria keturis lygius: (1) operacinis ataskaitų teikimas, (2) pažangi ataskaitų analitika, (3) predikcinė analitika, (4) preskripcinė analitika. Lietuvos įmonėse vyrauja 1–2 lygiai; 3–4 lygiai aptinkami tik didelėse tarptautinėse organizacijose.

Dirbtinis intelektas ir agentinės sistemos (2020→)#

DI gyvenimo aprašymų atranka (angl. AI CV screening) — automatizuotas gyvenimo aprašymų rūšiavimas pagal atitikimą pareigybei. Tačiau Amazon 2018 m. atvejis (Dastin, 2018) tapo vienu žinomiausių algoritminio šališkumo pavyzdžių: Amazon nutraukė savo DI atrankos sistemą, kai paaiškėjo, kad ji diskriminuoja moteris — sistema mokėsi iš istorinių 10 metų duomenų, kuriuose dominavo vyrai, ir „išmoko”, kad vyriškos charakteristikos (pvz., „captain of chess club”) yra pozityvūs signalai. Raghavan et al. (2020) meta-analizė patvirtino, kad šališkumas yra sisteminė problema, ne pavienis atvejis — beveik visi komerciniai DI atrankos produktai rodo lyčių ar rasinį šališkumą bent kai kuriose stadijose.

EU AI Act (2024) tapo pirmuoju pasaulyje teisės aktu, tiesiogiai reguliuojančiu DI sistemas, įskaitant HR procesus. Atrankos, paaukštinimo ir atleidimo sprendimuose naudojamos DI sistemos klasifikuojamos kaip „aukštos rizikos” (angl. high-risk) ir turi atitikti griežtus reikalavimus: duomenų valdymo, skaidrumo, žmogaus priežiūros (angl. human oversight), tikslumo dokumentavimo.

Prognozinis modeliavimas (angl. attrition prediction). Mašininio mokymosi modeliai prognozuoja, kurie darbuotojai greičiausiai paliks organizaciją, leisdami proaktyviai įsikišti. Šių modelių tikslumas trumpalaikėje prognozėje (iki 3 mėn.) gali siekti 85–95 %, bet ilgesniu laikotarpiu (>6 mėn.) jų patikimumas sparčiai krinta — tai atspindi kaitos stochastinį pobūdį, kurį pastebėjo Hom, Griffeth ir Gaertner (2017) meta-analizėje.

Generatyviniai LLM HR funkcijoje (2022→). ChatGPT (2022 m. lapkritis) ir sekantys modeliai įveda naują paradigmą: DI asistentai gali rašyti pareigybių aprašymus, vertinti interviu transkriptus, generuoti personalizuotą mokymų medžiagą. Pokalbių robotai (angl. chatbots) HR funkcijoje atsakinėja į darbuotojų klausimus apie atostogas, naudas, procedūras — tai mažina HR administracinę apkrovą, bet kelia klausimų dėl konfidencialumo ir empatiškumo. Etiniai DI klausimai personalo valdyme aptariami 19 skyriuje.

Filosofinės perspektyvos: kokia darbo ateitis?#

Technologinė transformacija yra ne tik techninė, bet ir filosofinė diskusija. Keynes (1930) Economic Possibilities for Our Grandchildren prognozavo, kad iki 2030 m. žmonės dirbs tik 15 val. per savaitę, o likusį laiką skirs kūrybai ir laisvalaikiui. Ši prognozė akivaizdžiai neišsipildė — nors produktyvumas augo daug kartų, darbo valandų skaičius išliko panašus. Priežastis, pasak Graeber (2018) Bullshit Jobs, yra ta, kad ekonomika sukuria daugiau „neprasmingų darbų” (administravimo, kontrolės, komunikacijos), net jei techninė automatizacija gali pakeisti gamybą.

Hannah Arendt (1958) The Human Condition darbo ontologija skiria tris veiklos rūšis: darbą (angl. labor, biologinių poreikių tenkinimas), kūrybą (angl. work, objektų kūrimas) ir veiksmą (angl. action, politinis/kolektyvinis veikimas). Automatizacija pirmiausia paveikia „darbą” (rutinines užduotis), palikdama „kūrybą” ir „veiksmą” žmonėms. Pagal šią perspektyvą automatizacijos grėsmė yra perdedama — ji ne „atima darbą”, o „grąžina laiką”.

Susskind (2020) A World Without Work siūlo trijų scenarijų matricą: augmentavimas (DI padeda, darbo vietų skaičius auga), poliarizacija (atsiranda „labai aukšti” ir „labai žemi” darbai, vidurys nyksta), post-darbo visuomenė (didelė dalis darbo vietų pranyksta, reikalinga universali bazinė pajamų politika). Personalo planuotojo darbas ateinančiame dešimtmetyje bus strategiškai pasirinkti, kuriam scenarijui ruošti organizaciją.

Svarbi pastaba. Nors filosofinės perspektyvos yra spekuliatyvios, jos daro įtaką strateginiam sprendimui. Įmonė, kuri tiki „augmentavimo” scenariju, investuos į DI įrankius savo darbuotojams; tikinti „poliarizacijos” scenariju — į vidurinio lygio perkvalifikavimą; tikinti „post-darbo” scenariju — į radikalesnį verslo modelio persvarstymą. Personalo planuotojas nėra futuristas, bet jis turi suvokti, kad jo sprendimai priklauso nuo implicitinės darbo ateities teorijos.

8.2 Analitiniai modeliai ir formulės#

Formulė (8.1): FTE poreikio skaičiavimas#

kur:

• $FTE$ — reikalingų pilno etato ekvivalentų skaičius,
• $Q_{planuojama}$ — planuojama gamybos/paslaugų apimtis per periodą,
• $P$ — vidutinis darbuotojo produktyvumas (vienetų per valandą),
• $T_{fondas}$ — efektyvus darbo laiko fondas (valandų per periodą).

Pavyzdys. UAB „BalticFood“ planuoja pagaminti 240 000 vienetų per metus. Vidutinis darbuotojo produktyvumas — 15 vnt./val. Efektyvus darbo laiko fondas (atėmus atostogas, ligą, mokymus): 1 760 val./metus.

Formulė (8.2): Darbuotojų kaitos rodiklis#

kur $N_{išėję}$ — per periodą išėjusių darbuotojų skaičius, $N_{vidutinis}$ — vidutinis darbuotojų skaičius per periodą.

Pavyzdys. IT įmonė (85 darbuotojai vidutiniškai) per metus prarado 17 darbuotojų:

Lietuvos IT sektoriuje per pastaruosius 5 metus metinė darbuotojų kaita svyravo 15–25 % diapazone, priklausomai nuo įmonės dydžio ir specializacijos (Infobalt, 2023).

Formulė (8.3): Darbuotojo pakeitimo kaštai#

kur:

• $C_{įdarbinimo}$ — atrankos proceso kaštai (reklama, agentūra, pokalbių laikas),
• $C_{mokymo}$ — adaptacijos (angl. onboarding) ir mokymų kaštai (mentorystė, kursai, medžiagos),
• $C_{produktyvumo\_praradimo}$ — naujoko žemesnis produktyvumas per mokymosi laikotarpį,
• $C_{administraciniai}$ — dokumentų tvarkymas, IT prieigų kūrimas/panaikinimas.

Pavyzdys. IT specialisto pakeitimo kaštai:

Jei metinis atlyginimas 36 000 EUR — pakeitimo kaštai sudaro 44 % metinio atlyginimo.

Formulė (8.4): Žmogiškojo kapitalo ROI (Fitz-enz)#

kur Kompensacijos = atlyginimai + mokesčiai + naudos paketai.

Pavyzdys. Įmonė: pajamos 5 000 000 EUR, veiklos sąnaudos (be darbo) 2 800 000 EUR, kompensacijos 1 500 000 EUR:

Kiekvienas kompensacijoms investuotas euras generuoja 0,47 EUR papildomo pelno. Jei $HC\,ROI > 1$ — žmogiškasis kapitalas generuoja daugiau pelno nei kainuoja.

Formulė (8.5): Bendri darbo kaštai (TCoE)#

kur $W$ — bruto atlyginimas, $t_{soc}$ — darbdavio socialinio draudimo tarifas, $C_{mokymai}$, $C_{darbo\_vieta}$, $C_{naudos}$ — papildomi kaštai.

Pavyzdys. Lietuvos kontekstas (2025 m.): bruto atlyginimas 2 500 EUR/mėn.:

TCoE/bruto santykis: 1,17 — kiekvienas 1 EUR bruto „kainuoja“ darbdaviui 1,17 EUR. Pastaba: po 2019 m. Sodros reformos didžioji socialinio draudimo dalis perkelta darbuotojui, darbdavio dalis sudaro ≈2,09 % bazinio tarifo. Pridėjus nelaimingų atsitikimų draudimą (0,14–1,4 %, priklausomai nuo rizikos grupės) bendras tarifas gali siekti ≈2,23–3,49 %. Sodros tarifai kasmet peržiūrimi, todėl skaičiavimus reikia derinti su aktualiu „Sodros” paskelbtu tarifų rinkiniu (Sodra, 2025) [PATIKRINTI].

Formulė (8.6): Darbo produktyvumas#

kur:

• $\text{VA/FTE}$ — pridėtinė vertė vienam pilno etato ekvivalentui (EUR),
• Pajamos — bendros įmonės pajamos per periodą,
• Medžiagų ir paslaugų kaštai — tiesioginės sąnaudos, nesusijusios su darbo jėga,
• FTE — pilno etato ekvivalentų skaičius.

Pavyzdys. Gamybos įmonė: pajamos 8 mln. EUR, medžiagos 4,5 mln. EUR, 120 darbuotojų:

Lietuvos gamybos sektoriuje 25 000–35 000 EUR/FTE pridėtinė vertė atitinka vidutinį Lietuvos statistikos departamento pramonės sektoriaus rodiklį (Lietuvos statistikos departamentas, 2024).

Formulė (8.7): Mokymosi kreivė#

kur $Y$ — laikas (ar kaštai) X-ajam vienetui pagaminti, $a$ — pirmojo vieneto laikas, $X$ — kumuliatyvus vienetų skaičius, $b$ — mokymosi koeficientas (neigiamas).

Pavyzdys. Naujas darbuotojas pirmą detalę pagamina per 60 min. Mokymosi norma 80 % (kaskart dvigubėjant kumuliatyviam kiekiui, laikas sumažėja 20 %):

$b = \ln(0{,}80) / \ln(2) = -0{,}322$

• 1-as vienetas: $60 \times 1^{-0{,}322} = 60$ min.
• 2-as: $60 \times 2^{-0{,}322} = 48$ min.
• 4-as: $60 \times 4^{-0{,}322} = 38{,}4$ min.
• 8-as: $60 \times 8^{-0{,}322} = 30{,}7$ min.

Mokymosi kreivė rodo, kad naujo darbuotojo produktyvumas pasiekia 80 % patyrusio darbuotojo lygio per ~2–4 savaites — tai turi tiesioginę įtaką personalo planavimui: įdarbinus naują darbuotoją, pilnas produktyvumas nėra iš karto.

Formulė (8.8): Markov modelio vidinės pasiūlos prognozė#

Markov modelis leidžia prognozuoti darbuotojų struktūros kitimą pagal paaukštinimų, perkėlimų ir išėjimų tikimybes. Bendrasis apibrėžimas (Heneman & Judge, 2009):

kur:

• $\mathbf{n}_t$ — darbuotojų skaičiaus vektorius laikotarpiu $t$ pagal būsenas (pareigybių lygius),
• $\mathbf{P}$ — perėjimų tikimybių matrica (eilutė = dabartinė būsena, stulpelis = būsena po laikotarpio),
• $\mathbf{r}_{t+1}$ — išorinio papildymo vektorius (naujai priimti darbuotojai).

Pavyzdys. UAB „TechLT” turi tris inžinierių lygius: jaunesnieji (J), vyresnieji (S), vadovaujantys (L). 2026 m. pradžioje: $\mathbf{n}_{2026} = [40, 20, 5]$. Istoriniai perėjimai:

Kiekvienos eilutės interpretacija:

• Jaunesniųjų eilutė: 70 % lieka jaunesniais, 15 % paaukštinami į vyresniuosius, 15 % išeina iš įmonės (kaitos rodiklis).
• Vyresniųjų eilutė: 80 % lieka, 10 % paaukštinami į vadovaujančius, 10 % išeina.
• Vadovaujančių eilutė: 85 % lieka, 15 % išeina (pensija, alternatyvus darbdavys).

Jei 2026 m. įmonė samdys 12 jaunesniųjų ir 2 vyresniuosius iš išorės:

Apskaičiuojame 2027 m. pradžios personalo struktūrą:

Interpretacija. Be išorinio papildymo jaunesniųjų sluoksnis būtų susitraukęs nuo 40 iki 28 — tai ženklas, kad rinkoje vyksta reikšminga kaita. Samdant 12 naujų jaunesniųjų, lygis išlaikomas. Vadovaujančių lygis natūraliai auga nuo 5 iki ~6 per vidinį paaukštinimą — tai rodo „sveiką vamzdyną”, kur talentų karjeros kelias veikia.

Praktinis Markov modelio ribotumas: perėjimų matrica laikoma pastovia laike, o tai yra stipri prielaida. Realybėje perėjimų tikimybės priklauso nuo rinkos sąlygų, darbdavio politikos pokyčių ir individualių darbuotojų sprendimų. Todėl modelio prognozės turėtų būti peržiūrimos bent kartą per metus, o tikimybės — atnaujinamos pagal naujausius duomenis.

Formulė (8.9): Naujo darbuotojo atsipirkimo laikotarpis#

Praktiniam planavimui naudinga atsipirkimo logika — kiek mėnesių reikia, kad naujas darbuotojas „atpirktų” savo įdarbinimo ir adaptacijos kaštus:

kur:

• $PB$ — atsipirkimo laikotarpis mėnesiais,
• $C_{hire}$ — visos naujo darbuotojo įdarbinimo ir įvedimo sąnaudos (įdarbinimas + mokymas + produktyvumo praradimas adaptacijos laikotarpiu + administraciniai kaštai),
• $CM_m$ — mėnesinis darbuotojo sugeneruojamas įnašo maržos perteklius po pilnos adaptacijos.

Pavyzdys. IT įmonės inžinieriaus įdarbinimo atsipirkimas. Iš (8.3) pavyzdžio: $C_{hire} = 16\,000$ EUR. Po 6 mėnesių adaptacijos inžinierius generuoja vidutiniškai $CM_m = 3\,500$ EUR/mėn. įnašo maržos (po atlyginimo ir veiklos kaštų):

Tai reiškia, kad po 6 mėnesių adaptacijos reikia dar ~4,6 mėnesių iki kol investicija „atsiperka” — iš viso ~10,6 mėnesių nuo pradžios. Jei darbuotojas palieka organizaciją anksčiau nei po 11 mėnesių, investicija nekompensuota — tai yra esminis argumentas už aktyvų pirmųjų metų išlaikymo programas.

Pedagoginė pastaba. Šis modelis yra vadybinė adaptacija, ne standartizuotas akademinis rodiklis — literatūroje jis dažniausiai randamas konsultantų praktikose (McKinsey, Deloitte HR advisories), ne akademiniuose žurnaluose. Nepaisant to, jis yra ypač naudingas greitai augančioms įmonėms kaip paprastas sprendimų įrankis: investicija į darbuotoją turi būti vertinama pagal tą patį finansinį rėmą, kaip bet kuri kita kapitalo išlaidų kategorija.

8.3 Apibendrinimas#

1. Personalo planavimas evoliucionavo nuo „skaičiavimo“ prie strateginio valdymo. Nuo Vetter (1967) kiekybinio manpower planning per Ulrich (1997) strateginį partnerystės modelį iki šiuolaikinės HR analitikos — žmogus verslo plane nebėra vien kaštų eilutė, o investicija su matoma grąža.

2. Žmogiškojo kapitalo teorija pagrindžia investicijas į darbuotojus. Becker (1964) bendrojo/specifinio kapitalo dichotomija leidžia racionaliai nuspręsti: į ką investuoti (specifinis → didesnis ROI, bet didesnė kaitos rizika) ir ką mokyti (bendrasis → darbuotojas lengviau pakeičiamas, bet ir lengviau palieka).

3. Kaitos kaštai yra dažnai nepastebimas pelningumo veiksnys. 44 % metinio atlyginimo IT specialistui — tai kaštai, kurių daugelis vadovų neįvertina, bet kurie tiesiogiai veikia EBITDA ir įmonės vertę (žr. 9, 13 skyrius).

4. Technologijos keičia tiek planavimo įrankius, tiek patį darbo turinį. Žmogiškųjų išteklių analitika ir DI prognozavimas leidžia tiksliau planuoti, bet automatizacija keičia, kokių darbuotojų iš viso reikia.

5. Lietuvos kontekstas išsiskiria unikaliais iššūkiais. Emigracija, senėjimas, IT talentų konkurencija, mažos vidinės rinkos ribotumas — tai specifiniai veiksniai, kurių neapima vakarietiški vadovėliai.

6. Etinė dimensija neatsiejama. Darbuotojų gerovė, darbo užmokesčio skaidrumas ir algoritminio šališkumo prevencija yra ne tik etikos, bet ir verslo vertės klausimai.

8.4 Atvejo analizė ir praktiniai pavyzdžiai#

Atvejis 1: Gamybos įmonės sezoninis personalo planavimas#

Tai hipotetinis mokomasis pavyzdys, paremtas tipine Lietuvos maisto perdirbimo sektoriaus situacija. Skaičiai iliustraciniai.

Situacija#

UAB „BalticFood“ — Kauno regione veikianti maisto perdirbimo įmonė (daržovių konservai), eksportuojanti 60 % produkcijos. 85 nuolatiniai darbuotojai. Ryškus sezoniškumas: derliaus perdirbimo sezonas (liepa–spalis) reikalauja 40 % daugiau darbuotojų nei žiemos sezonas.

Analizė#

FTE poreikio skaičiavimas sezonu:

• Sezoninė apimtis: 120 000 vnt./mėn. (palyginti su bazine 72 000)
• Produktyvumas: 12 vnt./val.
• Darbo fondas: 168 val./mėn. (21 darbo diena × 8 val.)

Sezoninis deficitas: 60 − 36 = 24 papildomi darbuotojai 4 mėnesiams.

Kaitos poveikis: Jei metinė kaita 15 % (tipinė gamyboje): 85 × 0,15 ≈ 13 darbuotojų per metus. Vidutiniai pakeitimo kaštai nekvalifikuoto darbo atveju: ~3 000 EUR. Metiniai kaitos kaštai: 13 × 3 000 = 39 000 EUR.

Mokymosi kreivė: Sezoniniams darbuotojams pasiekti 90 % produktyvumą užtrunka ~2 savaites (mokymosi norma 85 %). Per 4 mėn. sezoną efektyvus darbas — tik 3,5 mėn.

Jautrumo analizė. Jei produktyvumas padidėtų nuo 12 iki 14 vnt./val. (pvz., po tikslinių mokymų), sezoninis FTE poreikis sumažėtų iki 120 000 / (14 × 168) ≈ 51 darbuotojo — tai ~9 darbuotojų mažiau, arba apytiksliai 90 000 EUR sutaupymas per sezoną (atlyginimai + Sodra + mokymai). Tai rodo, kad investicija į mokymus yra ne kaštas, o potenciali ekonomija.

Alternatyva — dalinė automatizacija. Jei vietoj 24 sezoninių darbuotojų būtų investuota 400 000 EUR į pakavimo linijos automatizavimą (10 metų amortizacija — 40 000 EUR/metus), kasmetiniai pastovūs kaštai būtų žymiai mažesni nei sezoninių darbuotojų atlyginimų (apytiksliai 120 000 EUR per sezoną). Tačiau automatizacija yra negrąžinama fiksuota investicija — jei paklausa kristų arba eksporto rinkos susitrauktų, investicija liktų nenaudojama. Optimalus sprendimas dažnai yra hibridinis: dalinė automatizacija pagrindinėms pakavimo operacijoms + mažesnis sezoninis papildymas.

Išvados#

Sezoninis personalo planavimas reikalauja balanso: (a) nuolatiniai darbuotojai kainuoja žiemą (prastovos), (b) sezoniniai kainuoja vasarą (mokymasis, kaita). Optimalus sprendimas: 45 nuolatinių gamybos darbuotojų + 15 sezoninių su kasmetiniu grįžimu (sumažina mokymosi kaštus). Papildomai rekomenduojama įvertinti dalinės automatizacijos alternatyvą kaip ilgesnio laikotarpio investiciją, kai paklausos prognozės yra stabilios.

Atvejis 2: IT įmonės talentų pritraukimas ir kaitos kaštai#

Tai hipotetinis mokomasis pavyzdys, paremtas tipine Vilniaus IT sektoriaus situacija.

Situacija#

UAB „CodeBaltic“ — SaaS startuolis Vilniuje, 45 darbuotojai (30 inžinierių, 15 verslo). Metinė kaita: 22 % (10 darbuotojų per metus, iš jų 7 inžinieriai). Vidutinis inžinieriaus atlyginimas: 4 500 EUR bruto.

Analizė#

Kaitos kaštų skaičiavimas (inžinieriams):

7 inžinieriai per metus: 166 600 EUR — tai 3,7 % nuo įmonės metinių pajamų (4,5 mln. EUR).

HC ROI:

Žemas HC ROI (0,23) rodo, kad darbo jėga nepakankamai efektyvi — arba pajamos per mažos, arba kompensacijos per didelės šiam pajamų lygiui.

Scenarijų analizė: Jei kaita sumažėtų nuo 22 % iki 12 % (investuojant 50 000 EUR į išlaikymo programas):

• Sutaupyta: (10 − 5,4) × 23 800 = 109 480 EUR
• Investicija: 50 000 EUR
• Grąža: +59 480 EUR per metus

Kartų dinamikos vertinimas. „CodeBaltic” komandos amžiaus struktūra: vidutinis amžius 29 metai, apie 60 % Millenialai (29–43 m.), apie 35 % Z karta (<29 m.), ~5 % X karta (44+). Aukštos kaitos pagrindinis veiksnys — Z kartos darbuotojų lūkesčiai skirtingi nei Millenialų: jie reikalauja psichologinės saugos, skaidrios karjeros struktūros ir hibridinio darbo lankstumo. Jei vadovai priklauso X kartai (orientacija į lojalumą, ilgas valandas), kyla kultūrinis nesuderinamumas, kuris tampa pirminiu kaitos varikliu. Todėl sprendimas slypi ne tik atlyginime, bet ir vadovų ugdyme dirbti su Z karta — reguliarus grįžtamasis ryšys, aiškus karjeros kelias ir skaidri sprendimų logika.

Išvados#

IT sektoriuje kaitos mažinimas gali būti viena pelningiausių investicijų — kaip rodo šio atvejo skaičiavimas, investicijos grąža reikšminga. Konkurencingas atlyginimas yra būtina, bet ne vienintelė sąlyga. Karjeros galimybės, technologinis iššūkis, komandos kultūra ir lankstus darbo modelis (hibridinis/nuotolinis) yra lygiai svarbūs Lietuvos IT rinkoje. Papildomai — kartų dinamika reikalauja vadovų parengimo, kuris dažnai yra ignoruojamas, bet statistiškai yra vienas svarbiausių kaitos veiksnių jauno amžiaus komandose.

Atvejis 3: Struktūruoto onboarding’o ROI „BalticTech” atveju#

Tai hipotetinis mokomasis pavyzdys, paremtas tipine Lietuvos IT paslaugų įmonės situacija Klaipėdoje.

Situacija#

UAB „BalticTech” — 80 darbuotojų IT paslaugų įmonė, siūlanti programavimo paslaugas užsienio klientams. Dabartinė adaptacijos (angl. onboarding) programa: 2 savaičių bendras mokymų kursas + mentorius pirmą mėnesį. Nauji inžinieriai pasiekia 80 % produktyvumą per 5 mėnesius. Vidutinis inžinieriaus atlyginimas 3 800 EUR bruto, įnašo marža po pilnos adaptacijos — 3 500 EUR/mėn.

Analizė#

Vadovybė svarsto investuoti į struktūruotą 3 mėn. onboarding programą: dedikuotas mentorius, savaitiniai pažangos susitikimai, vidinis „buddy system”, aiškus ugdymo planas. Papildoma investicija: 2 500 EUR per naują darbuotoją.

Dabartinis atsipirkimas (pagal formulę 8.9):

• $C_{hire} = 16\,000$ EUR (iš 8.3 pavyzdžio)
• $CM_m = 3\,500$ EUR/mėn. (pasiekiama po 5 mėn. adaptacijos)
• Prarastos maržos per adaptacijos laikotarpį: 5 mėn. × 3 500 × 0,2 ≈ 3 500 EUR (darbuotojas dirba 80 % efektyvumu, nesukurdamas ~20 % potencialios maržos)
• Efektyvi investicija: 16 000 + 3 500 = 19 500 EUR
• Atsipirkimo laikotarpis po adaptacijos: $PB = 19\,500 / 3\,500 \approx 5{,}6$ mėn.
• Iš viso nuo pradžios: ~10,6 mėn.

Su nauja programa:

• $C_{hire}^{\text{nauja}} = 16\,000 + 2\,500 = 18\,500$ EUR
• Produktyvumas 80 % pasiekiamas per 3 mėn. (ne 5)
• Prarastos maržos: 3 mėn. × 3 500 × 0,2 ≈ 2 100 EUR
• Efektyvi investicija: 18 500 + 2 100 = 20 600 EUR — minimalus padidėjimas
• Atsipirkimo laikotarpis po adaptacijos: $PB = 20\,600 / 3\,500 \approx 5{,}9$ mėn.
• Iš viso nuo pradžios: ~8,9 mėn.

Nauda per metus. Jei „BalticTech” samdo 10 naujų inžinierių per metus, nauja programa sutaupo 10 × 1,7 mėn. × 3 500 EUR maržos ≈ 59 500 EUR per metus. Investicija: 10 × 2 500 = 25 000 EUR. Neto grąža: +34 500 EUR per metus.

Išvados#

Investicija į struktūruotą onboarding programą yra viena pelningiausių HR investicijų greitai augančioms IT įmonėms. Pagrindinė priežastis — ne tik greitesnis produktyvumo pasiekimas, bet ir sumažinta ankstyva kaita (pirmųjų 6 mėn. darbuotojų praradimai, kurie dažnai atsiranda dėl prastos adaptacijos, ne dėl atlyginimo). Šis atvejis taip pat iliustruoja formulės (8.9) praktinę vertę: paprasta atsipirkimo logika leidžia HR vadovui pagrįsti biudžeto paskirstymą tokiu pat finansiniu rėmu, kaip ir bet kuri kita kapitalo investicija.

8.5 Excel modelio konstravimas#

Tikslas#

Sukurti personalo planavimo ir kaštų vertinimo skaičiuoklę, leidžiančią studentui praktiškai taikyti skyriaus formules ir modeliuoti skirtingus personalo scenarijus.

Žingsnis po žingsnio instrukcija#

1. Sukurti darbaknygę su 6 lapais: „FTE_Planavimas”, „Kaita”, „Produktyvumas”, „HC_ROI”, „TCoE_Mokymasis”, „Markov”.
2. Kiekvienam lapui sukurti įvesties zoną, skaičiavimų zoną ir vizualizacijos zoną pagal A–F logiką (A — antraštė, B — įvestis, C — skaičiavimai, D — rezultatai, E — vizualizacija, F — pastabos).
3. Named Ranges: kiekvieną įvesties langelį pavadinti su prefiksu CH08_.
4. „FTE_Planavimas”: įvesti apimtį, produktyvumą, darbo fondą → formulėmis apskaičiuoti FTE poreikį baziniu ir sezoniniu laikotarpiu (formulė 8.1).
5. „Kaita”: įvesti darbuotojų skaičių, išėjusių skaičių, pakeitimo kaštų komponentus → apskaičiuoti kaitos rodiklį, metinius kaitos kaštus, kaitos mažinimo ROI (formulės 8.2, 8.3).
6. „Produktyvumas”: įvesti pajamas, medžiagų kaštus, FTE → apskaičiuoti VA/FTE, Rev/FTE (formulė 8.6).
7. „HC_ROI”: Fitz-enz formulė su jautrumo lentele (formulė 8.4).
8. „TCoE_Mokymasis”: (a) TCoE skaičiavimas su atnaujintais 2025 m. Sodros komponentais (formulė 8.5); (b) mokymosi kreivės lentelė ir grafikas su kumuliatyviais vienetais 1–32 (formulė 8.7); (c) atsipirkimo laikotarpio skaičiuoklė (formulė 8.9).
9. „Markov”: 3 lygių perėjimų matrica kaip 3×3 blokas, pradinis darbuotojų vektorius, išorinio papildymo vektorius, prognozės formulės su MMULT() funkcija (formulė 8.8). Prognozuojamos 3 kitos metų vertės, rezultatai pateikiami grafike (stulpelinė diagrama pagal lygius).
10. Patikrinti: ar visos formulės naudoja Named Ranges, ar grafikai atnaujinami keičiant įvestį, ar M-Score, Markov ir F-Score skaitiniai rezultatai atitinka skyriaus pavyzdžius (ypač (8.8) TechLT pavyzdį — tikėtina $\mathbf{n}_{2027} = [40, 24, 6{,}25]$).

Formulių sąrašas#

Named Ranges (su skyriaus prefiksu CH08_):

FTE ir produktyvumas: CH08_Volume, CH08_Productivity, CH08_WorkHours, CH08_FTE, CH08_Revenue, CH08_MaterialCost.

Kaita ir pakeitimo kaštai: CH08_Leavers, CH08_AvgHeadcount, CH08_RecruitCost, CH08_TrainingCost, CH08_ProdLoss, CH08_AdminCost.

Kompensacijos ir TCoE: CH08_GrossSalary, CH08_SodraRate (pvz., 0,0209 pagal 2025 m. bazinį tarifą), CH08_WorkplaceCost, CH08_BenefitsCost, CH08_Compensation, CH08_OpEx.

Mokymosi kreivė ir atsipirkimas: CH08_FirstUnitTime, CH08_LearningCoef (pvz., =LN(0,80)/LN(2) = -0,322), CH08_HireCost, CH08_MonthlyCM.

Markov modelis: Matricos įvestis tiesiogiai lape „Markov” (dėl matricinio vektorių dauginimo patogumo Named Ranges nenaudojami, bet kiekviena langelis paryškintas ir pakomentuotas).

Prefiksas CH08_ užtikrina unikalumą integruotame BusinessPlan_Model.xlsm modelyje. 2025 m. Sodros tarifas CH08_SodraRate paliktas kaip įvesties laukas, kad studentas galėtų jį atnaujinti pagal aktualiausius „Sodros” paskelbtus duomenis (žr. formulę 8.5 ir pastabą apie rizikos grupių skirtumus).

Failai:

• Excel/CH08/Ch08_Model_Master.xlsm (bus kuriamas po recenzijų ciklo) — pagal bendrą vadovėlio standartą visi Master modeliai saugomi .xlsm formatu, net jei CH08 logika pilnai išreiškiama formulėmis be makrų.
• Excel/CH08/Ch08_Formula_Guide.md — detalus visų 9 formulių aprašymas, vienas tiesos šaltinis Excel modeliui.

8.6 Klausimai ir praktinės užduotys#

Diskusiniai klausimai#

1. Žmogus kaip investicija: Ar etiška vertinti darbuotojus per finansinę prizmę (HC ROI, kaitos kaštai)? Kur riba tarp racionalaus valdymo ir instrumentalizavimo?

2. Nuotolinis darbas ir planavimas: Kaip nuotolinio/hibridinio darbo modelis keičia personalo planavimą? Ar tradicinė FTE logika vis dar aktuali, kai darbuotojas gali dirbti iš bet kur?

3. Automatizacija vs darbo vietos: Jei 47 % darbo vietų turi automatizacijos riziką (Frey & Osborne, 2017), ar personalo planuotojas turėtų mažinti FTE prognozę? Kokie etiniai ir praktiniai kompromisai?

4. Algoritminis šališkumas: Amazon nutraukė AI atrankos sistemą dėl lyties diskriminacijos. Ar DI gali būti „sąžiningesnis“ nei žmogus atrankoje? Kokios apsaugos priemonės būtinos?

5. Kartų skirtumai: Ar Baby Boomer, X, Y ir Z kartos turi fundamentaliai skirtingus lūkesčius darbo vietoje, ar tai pervertintas stereotipas? Kaip tai veikia personalo planavimą?

Skaičiavimo užduotys#

1. FTE planavimas. Logistikos įmonė planuoja apdoroti 500 000 siuntų per metus. Vidutinis darbuotojo produktyvumas — 25 siuntos/val. Efektyvus darbo fondas — 1 800 val./metus. (a) Apskaičiuokite FTE poreikį. (b) Jei planuojamas 20 % augimas — kiek papildomų darbuotojų reikia? (c) Jei automatizuojama 30 % operacijų — kaip keičiasi poreikis?

2. Kaitos kaštai. Mažmeninės prekybos tinklas turi 200 darbuotojų, metinė kaita 35 %. Vidutiniai pakeitimo kaštai: įdarbinimas 800 EUR, mokymas 1 200 EUR, produktyvumo praradimas 2 000 EUR. (a) Apskaičiuokite metinius kaitos kaštus. (b) Jei investuojama 30 000 EUR į darbuotojų išlaikymo programą ir kaita sumažėja iki 25 % — kokia investicijos grąža?

3. HC ROI. Konsultacijų įmonė: pajamos 3 mln. EUR, veiklos sąnaudos 1,2 mln. EUR, kompensacijos 1,5 mln. EUR. (a) Apskaičiuokite HC ROI. (b) Jei pajamos padidėja 15 %, bet kompensacijos tik 5 % — kaip keičiasi HC ROI? (c) Kuris scenarijus geriau: 10 % pajamų augimas ar 10 % kompensacijų mažinimas?

4. Mokymosi kreivė. Naujas darbuotojas pirmą užduotį atlieka per 90 min. Mokymosi norma 75 %. (a) Kiek laiko užtruks 8-oji užduotis? (b) Kada darbuotojas pasieks <30 min. lygį? (c) Kokia praktinė implikacija personalo planavimui pirmosiomis darbo savaitėmis?

5. Markov modelio taikymas. Taikant formulę (8.8), apskaičiuokite „TechLT” įmonės personalo struktūrą 2028 m. pradžioje, darant šias prielaidas: 2026 m. pradinė struktūra $[40, 20, 5]$ (jaunesnieji, vyresnieji, vadovaujantys), 2026 m. išorinis papildymas $[12, 2, 0]$, 2027 m. toks pat, perėjimų matrica iš 8.2 pavyzdžio nesikeičia. (a) Koks bus vadovaujančių inžinierių skaičius 2028 m.? (b) Jei įmonė nori turėti 8 vadovaujančius 2028 m., kiek papildomai vyresniųjų reikėtų įdarbinti 2026 ar 2027 m.? (c) Kokia strateginė pastaba kyla dėl vidinio „vamzdyno” ilgio?

Savarankiško darbo užduotys#

1. Lietuvos darbo rinkos analizė. Pasirinkite vieną Lietuvos sektorių (gamyba, IT, mažmeninė prekyba, logistika). Naudodami Sodros, Eurostat ir Užimtumo tarnybos duomenis, atlikite: (a) darbo jėgos pasiūlos analizę (demografija, emigracija, švietimo produkcija), (b) vidutinių darbo kaštų skaičiavimą (TCoE), (c) pagrindinių personalo planavimo iššūkių identifikavimą šiam sektoriui.

2. Kaitos mažinimo strategija. Pasirinkite realią arba hipotetinę Lietuvos įmonę su aukšta darbuotojų kaita (>20 %). Pasiūlykite: (a) kaitos priežasčių diagnozę (naudokite Mobley ir Lee-Mitchell modelius kartu), (b) 3 konkrečias kaitos mažinimo priemones su biudžetu, (c) laukiamo poveikio kiekybinį vertinimą (kaitos kaštų sumažėjimas vs investicija).

3. Kartų diversiteto analizė. Pasirinkite realią arba hipotetinę Lietuvos įmonę. (a) Apskaičiuokite darbuotojų struktūrą pagal kartas (Baby Boomers, X, Y/Millenialai, Z). (b) Identifikuokite 3 pagrindines kartų skirtumų generuojamas įtampas (atlyginimų politika, darbo modeliai, vadovavimo stilius, karjeros lūkesčiai). (c) Pasiūlykite HR strategijos pritaikymus, kurie leistų „daugiakartei darbo jėgai” efektyviai bendradarbiauti. Remkitės Deloitte Gen Z Survey (2024) ar kitais empiriniais duomenimis, bet kritiškai įvertinkite Costanza et al. (2012) meta-analizės argumentus prieš kartų determinizmą.

Literatūros sąrašas#

Acemoglu, D., & Restrepo, P. (2020). Robots and jobs: Evidence from US labor markets. Journal of Political Economy, 128(6), 2188–2244. https://doi.org/10.1086/705716

Arendt, H. (1958). The Human Condition. University of Chicago Press.

Arntz, M., Gregory, T., & Zierahn, U. (2016). The risk of automation for jobs in OECD countries. OECD Social, Employment and Migration Working Papers, No. 189. https://doi.org/10.1787/5jlz9h56dvq7-en

Autor, D. (2022). The labor market impacts of technological change: From unbridled enthusiasm to qualified optimism to vast uncertainty. NBER Working Paper No. 30074. https://doi.org/10.3386/w30074

Barrero, J. M., Bloom, N., & Davis, S. J. (2023). The evolution of work from home. Journal of Economic Perspectives, 37(4), 23–50. https://doi.org/10.1257/jep.37.4.23

Becker, G. S. (1964). Human Capital: A Theoretical and Empirical Analysis, with Special Reference to Education. University of Chicago Press.

Becker, B. E., Huselid, M. A., & Ulrich, D. (2001). The HR Scorecard: Linking People, Strategy, and Performance. Harvard Business School Press.

Beer, M., Spector, B., Lawrence, P. R., Mills, D. Q., & Walton, R. E. (1984). Managing Human Assets. Free Press.

Bloom, N., Han, R., & Liang, J. (2022). How hybrid working from home works out. NBER Working Paper No. 30292. https://doi.org/10.3386/w30292

Boyatzis, R. E. (1982). The Competent Manager: A Model for Effective Performance. Wiley.

Boyatzis, R. E. (2008). Competencies in the 21st century. Journal of Management Development, 27(1), 5–12. https://doi.org/10.1108/02621710810840730

Bučiūnienė, I., & Kazlauskaitė, R. (2012). The linkage between HRM, CSR and performance outcomes. Baltic Journal of Management, 7(1), 5–24. https://doi.org/10.1108/17465261211195856

Cascio, W. F. (2000). Costing Human Resources: The Financial Impact of Behavior in Organizations (4th ed.). South-Western.

Cascio, W. F., & Boudreau, J. W. (2011). Investing in People: Financial Impact of Human Resource Initiatives (2nd ed.). Pearson.

Chambers, E. G., Foulon, M., Handfield-Jones, H., Hankin, S. M., & Michaels, E. G. (1998). The war for talent. McKinsey Quarterly, 1998(3), 44–57.

Costanza, D. P., Badger, J. M., Fraser, R. L., Severt, J. B., & Gade, P. A. (2012). Generational differences in work-related attitudes: A meta-analysis. Journal of Business and Psychology, 27(4), 375–394. https://doi.org/10.1007/s10869-012-9259-4

Dastin, J. (2018, October 10). Amazon scraps secret AI recruiting tool that showed bias against women. Reuters. https://www.reuters.com/article/us-amazon-com-jobs-automation-insight/amazon-scraps-secret-ai-recruiting-tool-that-showed-bias-against-women-idUSKCN1MK08G

Davulis, T. (2018). Naujasis Lietuvos darbo kodeksas: pagrindiniai pokyčiai ir iššūkiai. Teisė, 108, 8–23. [PATIKRINTI]

Deloitte. (2024). 2024 Gen Z and Millennial Survey. Deloitte Global. https://www.deloitte.com/global/en/issues/work/content/genz-millennialsurvey.html

Drucker, P. F. (1954). The Practice of Management. Harper & Brothers.

European Union. (2023). Directive (EU) 2023/970 on strengthening the application of the principle of equal pay for equal work or work of equal value between men and women through pay transparency and enforcement mechanisms. Official Journal of the European Union, L 132/21. https://eur-lex.europa.eu/eli/dir/2023/970/oj

Eurostat. (2023). Population statistics at regional level — Lithuania. European Statistical Office. https://ec.europa.eu/eurostat [PATIKRINTI]

Fitz-enz, J. (2009). The ROI of Human Capital: Measuring the Economic Value of Employee Performance (2nd ed.). AMACOM.

Frey, C. B., & Osborne, M. A. (2017). The future of employment: How susceptible are jobs to computerisation? Technological Forecasting and Social Change, 114, 254–280. https://doi.org/10.1016/j.techfore.2016.08.019

Garvin, D. A. (2013). How Google sold its engineers on management. Harvard Business Review, 91(12), 74–82.

Graeber, D. (2018). Bullshit Jobs: A Theory. Simon & Schuster.

Guest, D. E. (1987). Human resource management and industrial relations. Journal of Management Studies, 24(5), 503–521. https://doi.org/10.1111/j.1467-6486.1987.tb00460.x

Heneman, H. G., & Judge, T. A. (2009). Staffing Organizations (6th ed.). McGraw-Hill.

Hom, P. W., Griffeth, R. W., & Gaertner, S. (2017). One hundred years of employee turnover theory and research. Journal of Applied Psychology, 102(3), 530–545. https://doi.org/10.1037/apl0000103

Infobalt. (2023). Lietuvos IT sektoriaus apžvalga 2023. Asociacija „Infobalt”. https://www.infobalt.lt/ [PATIKRINTI]

ISO. (2018). ISO 30414:2018 Human resource management — Guidelines for internal and external human capital reporting. International Organization for Standardization.

Kavanagh, M. J., Thite, M., & Johnson, R. D. (2015). Human Resource Information Systems: Basics, Applications, and Future Directions (3rd ed.). SAGE.

Keynes, J. M. (1930/1963). Economic possibilities for our grandchildren. In Essays in Persuasion (pp. 358–373). W. W. Norton.

Klotz, A. C. (2021, May). The Great Resignation is here: What does it mean for organizations? MIT Sloan Management Review. https://sloanreview.mit.edu/

Lazear, E. P. (2009). Firm-specific human capital: A skill-weights approach. Journal of Political Economy, 117(5), 914–940. https://doi.org/10.1086/648671

Lee, T. W., & Mitchell, T. R. (1994). An alternative approach: The unfolding model of voluntary employee turnover. Academy of Management Review, 19(1), 51–89. https://doi.org/10.5465/amr.1994.9410122008

Lewis, R. E., & Heckman, R. J. (2006). Talent management: A critical review. Human Resource Management Review, 16(2), 139–154. https://doi.org/10.1016/j.hrmr.2006.03.001

Lietuvos Respublikos darbo kodeksas. (2016, rugsėjo 14). Įstatymas Nr. XII-2603. https://e-seimas.lrs.lt/portal/legalAct/lt/TAD/10c6bfd07bd511e6a0f68fd135e6f40c

Lietuvos statistikos departamentas. (2024). Pramonės produkcijos ir darbo našumo rodikliai. https://osp.stat.gov.lt/ [PATIKRINTI]

Lombardo, M. M., & Eichinger, R. W. (2006). FYI: For Your Improvement — A Guide for Development and Coaching (4th ed.). Lominger International.

Mannheim, K. (1928/1952). The problem of generations. In P. Kecskemeti (Ed.), Essays on the Sociology of Knowledge. Routledge.

March, J. G., & Simon, H. A. (1958). Organizations. Wiley.

Marler, J. H., & Boudreau, J. W. (2017). An evidence-based review of HR Analytics. International Journal of Human Resource Management, 28(1), 3–26. https://doi.org/10.1080/09585192.2016.1244699

Maslow, A. H. (1943). A theory of human motivation. Psychological Review, 50(4), 370–396. https://doi.org/10.1037/h0054346

McClelland, D. C. (1973). Testing for competence rather than for “intelligence.” American Psychologist, 28(1), 1–14. https://doi.org/10.1037/h0034092

Michaels, E., Handfield-Jones, H., & Axelrod, B. (2001). The War for Talent. Harvard Business School Press.

Migracijos departamentas. (2023). 2023 m. migracijos metraštis. Lietuvos Respublikos vidaus reikalų ministerija. [PATIKRINTI]

Mobley, W. H. (1977). Intermediate linkages in the relationship between job satisfaction and employee turnover. Journal of Applied Psychology, 62(2), 237–240. https://doi.org/10.1037/0021-9010.62.2.237

Noe, R. A. (2020). Employee Training and Development (8th ed.). McGraw-Hill.

Raghavan, M., Barocas, S., Kleinberg, J., & Levy, K. (2020). Mitigating bias in algorithmic hiring: Evaluating claims and practices. Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency, 469–481. https://doi.org/10.1145/3351095.3372828

Roethlisberger, F. J., & Dickson, W. J. (1939). Management and the Worker. Harvard University Press.

Rothwell, W. J. (1995). Effective Succession Planning (1st ed.). AMACOM.

Rudolph, C. W., Rauvola, R. S., Costanza, D. P., & Zacher, H. (2021). Generations and generational differences: Debunking myths in organizational science and practice. Journal of Business and Psychology, 36(6), 945–967. https://doi.org/10.1007/s10869-020-09715-2

Schultz, T. W. (1961). Investment in human capital. American Economic Review, 51(1), 1–17.

SHRM. (2021). SHRM Body of Applied Skills and Knowledge (SHRM BASK). Society for Human Resource Management. https://www.shrm.org/certification/about/bodyofcompetencyknowledge

SHRM. (2022). Human capital benchmarking report. Society for Human Resource Management. [PATIKRINTI]

Sodra. (2025). Valstybinio socialinio draudimo įmokų tarifai 2025 m. Valstybinio socialinio draudimo fondo valdyba. https://www.sodra.lt/ [PATIKRINTI]

Spencer, L. M., & Spencer, S. M. (1993). Competence at Work: Models for Superior Performance. Wiley.

Steers, R. M., & Mowday, R. T. (1981). Employee turnover and post-decision accommodation processes. Research in Organizational Behavior, 3, 235–281.

Strauss, W., & Howe, N. (1997). The Fourth Turning: An American Prophecy. Broadway Books.

Susskind, D. (2020). A World Without Work: Technology, Automation, and How We Should Respond. Metropolitan Books.

Taylor, F. W. (1911). The Principles of Scientific Management. Harper & Brothers.

Twenge, J. M. (2023). Generations: The Real Differences Between Gen Z, Millennials, Gen X, Boomers, and Silents. Atria Books.

Twenge, J. M., Campbell, S. M., Hoffman, B. J., & Lance, C. E. (2010). Generational differences in work values: Leisure and extrinsic values increasing, social and intrinsic values decreasing. Journal of Management, 36(5), 1117–1142. https://doi.org/10.1177/0149206309352246

Ulrich, D. (1997). Human Resource Champions: The Next Agenda for Adding Value and Delivering Results. Harvard Business School Press.

Vetter, E. W. (1967). Manpower Planning for High Talent Personnel. Bureau of Industrial Relations, University of Michigan.

Walker, J. W. (1980). Human Resource Planning. McGraw-Hill.