2021-11-23261
数字化时代浪潮下，中国企业不得不迎接“数字化大考”。一方面，企业运营模式的转型牵引着HR的数字化进程；另一方面，疫情下，员工管理和协作的新模式也大大促动了HR数字化的发展。
在HR数字化转型进程当中，数据分析可谓是关键的起爆剂。企业多年来沉淀和积累的人才信息需经由数据分析形成有价值的洞察，才能完成从信息化到数字化的关键一跃，将基于“感觉”的人才管理拉回到基于“事实”的人才管理上。
当人力资源部掌握了与组织和人有关的数据，并成为这些数据的解释者的时候，HR就能更从容地回答业务领导者管理和人才的问题。
那么HR应该如何进行数据分析呢？下文将呈现一套完整的数据分析六步法，指导HR如何上手实操。
只有提出正确的问题，才有可能找到问题背后真正的原因，真正去解决问题。
一方面，可以来自于对企业自上而下的分析：企业今年战略的重心和必赢战役是什么？随着战略变化，近期的人才挑战可能是什么？哪些问题需要提前关注？在人才上关注什么才能有力地支持我们业务战略的达成？
另一方面，也可以来自于自下而上的信息收集与调研：去年的敬业度调研有什么值得关注的？除去加薪外，员工有哪些需求是需要组织支持和解决的？我所支持的团队，近期有什么共性问题是中基层的leader们反复在抱怨的？
此外，当企业发生巨大变革，方向不定时，抑或年底总结和规划时，借助数据也可以帮助我们从以下角度问出好的问题。
同时也可以利用经典理论如企业生命周期理论、竞争优势理论等，结合企业的实际情况进行诊断。
在明确要去解决的问题之后，我们可以锚定这些问题开始撰写分析方案。这里推荐大家使用“1234原则”来撰写分析方案。
其中，四个想象能让我们看到设计的分析方案在落实上是否存在问题。遵循“1234原则”后，相信这份分析方案会是一个兼顾专业性和落地性的作品。
好的指标能简单直接地支撑你所撰写的方案，给出人才管理的实质性建议；并能通过持续监控这些指标，对人才工作量化进行管理。
作为建设HR仪表盘的时候最重要的工作之一，在选择指标的过程中，建议关注以下5点：
1、以目标衡量指标是否合适。不同的指标可能会得出大相径庭的结论，因此指标的确定要根据最终分析目标及落地的方法来确定。
2、多用比率指标（如离职率、offer到岗率），关注数据的实际效果，并且这个比率最好是可以比较的。
3、关注伴生指标，质和量要兼顾。孤立来看指标容易有失偏颇，如在校招场景下，到岗人数固然重要，但同时也要关注入职后半年-1年业务部门的评价。
4、关注先见指标。当你制订来年校招进校策略的时候，可以先去目标院校的就业办网站上找到你目标专业的毕业人数和往年学生的就业意向，提前对站点的招生做好预判。
5、警惕“虚荣指标”。如果你有一个数据，却不知如何根据它采取行动，该数据就仅仅是一个虚荣指标。
如简历库内的沉淀简历量就是一个典型的HR领域的虚荣指标，这个数字只会随着时间增长，但它并不能带给我们更多的有效信息和行动。
巧妇难为无米之炊，即使提出了思路清晰的方案，确定了数据指标，在实际工作中很少会遇到所需数据全都摆在眼前的情况。如果只在“现有数据”的范围内进行分析或解决问题，很可能导致我们的工作仅以“数据游戏”告终。
这就意味着我们要进行数据备料的工作，将方案内所需的数据准备齐全。而在备料过程中，我们需要注意：
1、HR的数据天生具有分裂属性
HR的三支柱和六模块分工决定了数据的收集存储往往处于比较分裂的状态，但一旦打通往往会产出巨大的价值。
举个例子，当我们想要进行离职概率的预测的时候，我们会发现，绩效数据在绩效部，考勤和离职数据在ER部，盘点测评和360评价数据在OTD部，但是实际上离职的预测可能和他们以上所有数据都相关，因此在HR数据分析中往往伴随着较多的跨部门沟通。
有些时候，数据的打通甚至不单局限在人力系统内，比如一个好的销售画像分析，也可以包含他的行为数据，他的目标数字制定是否切实、他的拜访数据、他的月初月末关键行为分析等，这是需要CRM系统来进行支撑提供的。
2、请适度引入外部数据
行业对标有助于我们了解企业现状是否处于正常范围，比如薪酬分析的过程中，行业数据的输入就显得至关重要。
在准备完成数据后，我们就要开始清洗数据了。如果数据不干净或者是被污染，那么我们在数据分析的过程之中，输入的其实是不干净或是被污染的数据。Garbage in，garbage out。
那么数据清洗具体应该怎么操作呢？
通过以上方式来一顿清洗，基本上数据就是一个可用的状态了。
数据分析的本质是把握「变与不变」，一般可以从3个角度来进行分析：
1、横切：根据某个维度对指标进行切分及交叉分析，比如集团HR人服比的背后是不同区域公司的人服比情况，可以针对不同区域横向对比分析。
2、纵切：以时间变化为轴，切分指标上下游，比如春秋招的offer周期对比、秋招与去年秋招同期的offer周期对比等。
3、内切：根据某个模型从目标内部进行划分。比如在招聘中HR就常常对候选人群体进行漏斗分析。
常见的相对复杂一些的数据分析方法包括相关性分析、回归分析和算法分析（如随机森林、支持向量机等，但入门门槛较高，HR可视情况掌握）。
最后，数据分析完成后，洞察已然形成。洞察呈现得越清楚，定量分析才越可能促成决策和行动。数据呈现的关键在于将这些洞察形成一个好的故事，并用直观的图表将这个故事讲述出来。在这个过程中我们要注意：
1、从受众的视角构建故事
大多数观众听不懂太过技术性的表达或报告，他们也不关心过程，只关心结果和影响。但很矛盾的是，由于大家对过程不甚理解，如果数据分析的结果和他们的感性认知形成太大的冲突，他们将很快陷入迷茫，将数据分析结果视为“薛定谔的猫”，放在为“本结论介于真实与虚构”的盒子里不敢使用。
因此，请尽量避免在故事中出现过多的技术细节，在谨慎地处理与受众感性认知矛盾之处，用更通俗细致的说明让受众buy in这些信息，为任何可能产生疑义的概念提供解释。
2、图>表>文字描述
图表的选用要合理，除了条形图和饼状图，还有散点图、热力图、斜率图、哈维球等多种图表呈现方式，总有一款适合你。所有的图表服务于"最清晰快速地传递想要传达的信息”这一目标，不炫技，不堆砌数据。
3、慎重地解释数据
从数据指标到行动建议的路径应该是逻辑严整、易于理解的。冰淇淋销量的上升和游泳溺水人数数据是显著相关，但不代表吃冰淇淋会导致溺水，而是因为夏天来到了。
因此，不停追问自己“我找到问题的根本原因了吗？”是贯彻于数据分析全过程的“灵魂问题”。
免费预约
