AI-driven absenteeism analytics in manual workforce enterprises: A shift from operational insights to strategic impact

Thumbnail Image

URL

Journal Title

Journal ISSN

Volume Title

School of Science | Master's thesis

Authors

Date

2025-04-24

Department

Major/Subject

Strategy

Mcode

Degree programme

Master's Programme in Industrial Engineering and Management

Language

en

Pages

98

Series

Abstract

Organizations operating with manual workforce face challenges in managing absenteeism, including fragmented data systems, lack of real-time visibility, limited analytical capabilities, and organizational barriers. These issues often lead to reactive mitigation and analyses, where absences are managed only after they occur rather than being anticipated or strategically addressed. These reactive interventions rely on traditional methods such as monitoring absence rates, implementing return-to-work interviews, enforcing attendance policies, and providing generic wellness programs. However, these interventions are rather diagnostic than preventive, lacking the data-driven and predictive power that modern AI and ML solutions could provide. This thesis explores how the integration of AI-driven analytics can transform absenteeism from an operational metric into a lever for organizational strategy. Employing a multiple case study approach, the research combines a comprehensive literature review and interviews with HR professionals and technology consultants to map both current practices and emerging opportunities. The study is conducted following the DSR (Design Science Research) methodology. Key findings reveal that organizations and HR, in particular, lack the ability to provide management with insightful, data-driven absenteeism analytics – making the strategic impact of absenteeism management negligible. To enhance the strategic foothold of absenteeism management, organizations must collect unambiguous, organizational level data and manage the absenteeism systematically, after which they can unlock the potential for insightful absenteeism analytics and more strategic management.

Monet manuaalista työvoimaa käyttävät organisaatiot kohtaavat haasteita poissaolojen hallinnassa joihin kuuluvat pirstaleiset tietojärjestelmät, reaaliaikaisen näkyvyyden puute, rajalliset analytiikkakyvykkyydet sekä organisaatiorakenteisiin liittyvät haasteet. Näiden seurauksena poissaoloja hallitaan usein reaktiivisesti – vasta niiden jo tapahduttua – sen sijaan että niitä ennakoitaisiin tai käsiteltäisiin strategisesti. Nykyiset reaktiiviset toimenpiteet pohjautuvat perinteisiin menetelmiin, kuten poissaoloprosenttien seurantaan, töihinpaluukeskusteluihin sekä yleisluontoisiin hyvinvointiohjelmiin. Nämä toimenpiteet ovat kuitenkin enemmän diagsnostisia kuin ennaltaehkäiseviä – niistä puuttuu modernien tekoäly- ja koneoppimisratkaisujen mahdollistama dataohjautuvuus ja ennakoiva potentiaali. Tämä diplomityö tutkii, kuinka tekoälypohjaisen analytiikan hyödyntäminen voisi muuttaa poissaolojen hallinnan operatiivisesta toiminnasta strategiseksi johtamisen välineeksi. Tutkimus toteutetaan monitapaustutkimuksena, yhdistäen kattavan kirjallisuuskatsauksen sekä haastattelut HR-asiantuntijoiden ja teknologiakonsulttien kanssa. Tutkimus noudattaa suunnittelutieteellistä (Design Science Research, DSR) metodologiaa. Keskeiset havainnot osoittavat, että organisaatioilta – ja erityisesti HR-toiminnoilta – puuttuu kyvykkyys tuottaa johdolle näkymyksellistä ja dataohjautuvaa analytiikkaa poissaoloista, mikä ei tee poissaolojen hallinnasta strategisesti merkityksellistä. Jotta poissaolojen hallinta voisi saada strategisempaa jalansijaa, organisaatioiden on kyettävä keräämään yksiselitteistä, organisaatiotasoista dataa ja hallitsemaan poissaoloja systemaattisesti – vasta tämän jälkeen näkemyksellistä analytiikkaa voidaan hyödyntää strategisessa liikkeenjohdossa.

Description

Supervisor

Rajala, Risto

Thesis advisor

Pylävnen, Jaana

Keywords

absenteeism analytics, artificial intelligence, strategy, strategic HRM, organizational management, machine learning

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202505213986

Collections

[dipl] Perustieteiden korkeakoulu / SCI