|
数据，在当下的商业竞争中就是黑武器。 拥有数据分析能力的HR，就是企业人力资源的核武器。 大家好，首先做个自我介绍，我的名字叫范珂。 之前做了很长时间的人力资源。从14~18年期间，我的上一份工作，是在沃尔沃汽车做亚太区的HRD，然后在18年8月份离开了企业。同一年，翻译了一本跟企业文化相关主题的书：《奈飞文化手册》。 在正式开始前说几句题外话，首先我非常感谢HRGO平台邀请，跟HRGO的创始人Joy，也是认识很长时间的朋友了。 在准备内容的时候，HRGO的课程主编问我说，能不能放一些实用的数据分析工具给到大家。仔细想想，对我来说这确实是一个难题。于是乎，就这样定下了今天的分享主题：数据分析在人力资源领域的应用与发展。 今天的内容主要分成三部分。 第一部分是关于人力资源数据分析时代背景；第二部分来聊聊当我们讨论人力数据分析的时候，它到底包括哪些内容；最后一部分说可能大家最感兴趣的，如何从0开始，去发展数据分析能力。 大家先来看这张图。 看到这张图，你想到的是什么？ 图片中的英文很简单，DATA就是数据。大家都知道工业革命的产生原因，是因为我们发现了石油。所以说石油是工业革命的一个基础，换句话说也是工业的血液。 而在互联网时代，什么东西对我们来说就像石油对于工业一样重要呢？其实就是数据。我们今天很多的头部企业，比如说阿里、京东、腾讯等等，他们手上掌握了大量的数据。 还有一个说法，今天在世界上人工智能技术最发达的两个国家，一个是美国，一个是中国。 大家都知道人工智能技术的底层逻辑也是在讲数据分析。之前美国的技术是领先于中国，但是中国现在的速度是非常快的。有人预见在未来的5年内，中国完全可以赶上美国。 其主要的原因就是中国已经掌握了大量的数据，远远超过了美国的数据量。 数据分析在今天的市场需求情况，各行业对数据分析师岗位的需求量日益增大。 不光是依赖于大量的数据的互联网行业，其它行业也开始对人力资源、对数据的分析师岗位有了非常大的需求。 市场营销、产品销售、财务这些本身跟数据打交道的岗位，出现的数据分析师岗位是非常常见的。今天，反倒是人力资源的数据分析是一个比较新的岗位。在去年我也看到腾讯、华为，也在招专职的人力资源的数据分析师。 在德勤2017年发布的最新的市场发展趋势的报告中说，数据分析会是未来5年人力资源的十大发展领域之一，也是最前沿的发展趋势之一。 我有位朋友在美国读博士，毕业后从事人力资源数据分析，拿到美国一个银行的offer，薪水能基本上是在20万美元水平。20万美元水平就相当于是一个中大型组织的人力资源总监的水平。 所以可见人力资源的数据分析，在市场上的火爆的程度。 大家可以看这张截图，这是来自于华为的招聘启事。 这就是华为招一个非常普通的人力资源经理的JD，明确说需要候选人具备数据分析意识和能力，能够从复杂的数据中去挖掘出规律。 谷歌是今天在世界上，公认的做人力资源数据分析最强的公司。在谷歌，HR决策从来都不是来自于哪个最佳实践，一定只会是来自内部数据的分析。 在谷歌，再简单的一个问题，它都是通过数据分析去做出决策，而不是说拍脑门的。
下面我们来说说，当我们在讲人力数据分析的时候，最主要的一些内容。 数据分析到底是什么？ 先强调一个概念：做数据分析，一定要有以终为始的思维。 就是你要明白，做分析的目的到底是什么。 不应为了分析而分析，数据分析不是去搞一堆乱七八糟的数学公式。最终目的是要去解决问题，为公司创造出有价值的东西。 数据分析里面有一句话叫：数据分析不是免费的。 怎么理解？就是说你不管是做什么样的分析，去收集数据、去清理数据、去分析数据，你是要花费大量的时间和金钱的。为了不让你的时间和金钱被浪费，要保持以终为始，时刻提示自己追问自己：做了这个工作到底能否为公司带来效益？ 换句话说，不能带来利润的提升、销售量的提升、成本的减少的话，你的分析是无意义的。 1、Analytics VS Analysis 我们今天聊的数据分析和把几个数字拿来做一下分析，其实不是一个概念。 在今天商业领域讲到数据分析的时候，用了一个词叫Analytics，他和我们最早学英文的时候学的分析Analysis不是一个词。这两个词，我们在中文翻译过来的时候都把它们翻译成分析，其实在英文里面它是两个完全不同的意思，Analytics你可以把它理解为是，analysis的一个更高级。 到底它们不同的点在哪呢。 区别1：普通的数据分析，分析的是一个独立的、分割的数据。 举个例子，比如你把人力资源的数据拿过来做一下分析，这就是一个非常简单的数据分析。 而系统化数据分析则是，你把不同的数据把它整合在一起，去找到它们之间相关的关系来进行综合分析。比如说你把从员工的业务表现的数据拿过来，结合他的薪资看一下是不是薪资越高，他的业绩就越高？ 区别2：普通数据分析更多的是反映一个表面的现象。 举个例子，比如说老板让你分析离职数据，你把各个部门每月、每季度、每年的离职率，整合在一起呈现出来。那么这其实就是一个普通的数据分析。 而系统化数据分析则是要深入到这个数据的背后，去挖掘背后的一些原因，最终的目的是要为未来的行动来供电。 比方说为什么这个部门离职率很高？为什么这段时间它的离职率很高？背后到底是什么原因？ 再次强调，在去做数据分析的最终目的，是要去解决实际的问题，为企业带来价值。 区别3：普通的数据分析更多分析的是当下和过去，但不去预测未来。 区别4：系统化数据分析能把最复杂的一个东西，用最简单的方法，最透彻的、最全面的这种呈现方式把它呈现出来。 第一描述，第二诊断，第三预测，第四指导。 对于人力资源领域，我们应用更多的是下面这三个阶段，从描述到预测。那我们分别来说说。 第一阶段，所谓的描述性分析，就是我看到什么，就把它描述出来。 各个部门离职率有多少，男女性别比例是怎么回事？年龄分布，就是一个描述性的分析。 第二阶段，叫诊断性分析。为什么这个部门数据这么高？它背后有什么原因？找到它的原因才能去解决问题，就叫做诊断。深入挖掘数据背后的原因。 第三阶段，就是能够去利用历史数据去预测。比如说未来会发生什么？所以，预测性分析、指导性分析更多的是在讲，不同的条件资源情况下，怎么样去优化决策。 在生产领域，区域生产经营领域应用得比较多，在人力资源领域应用相对比较少。 根据商业领域的模型，有人做出了针对人力资源的数据分析成熟度的模型，这个模型非常的有名。来自于德勤下属的一家公司叫贝辛。贝辛是一个很厉害的专家，他的公司被德勤收购之后，他的公司名字就叫德勤·贝辛。 大家看根据它的分解，人力资源分析工作的成熟度可以分成4级，最简单的叫运营性汇报，就是最下面的，市场上有多少公司在做这个工作？ 56%。 什么是运营性汇报？就是我做的那部分工作，有一个非常完善的人力资源系统，可以收集到我想要的数据，还有专门运营这个系统的人，确保数据的真实性、准确性、及时性等。这些都是一个运营性汇报，大量的公司都会做这份工作。 那么越往上走，做这个工作的公司数就越来越少，只有30%的公司。 到了第二层，就是高级汇报。 高级汇报什么意思？比如我基于最底层的数据，做一些分析，预测一些未来的趋势，甚至还可以做出一个定制化的数据，仪表盘随时监控数据的变化情况，以便及时做出应对，这是高级回报。 但它只有30%，所以加起来就是86%的公司在做这方面的工作。 说回来，什么是高级分析？人力资源的数据，能够和业务结合起来，便是高级分析。 通过对人力资源的数据分析，能够推动业务的工作，帮助业务去增加价值、降低成本，提升利润产出。 最顶层是预测性分析。 前面讲到的，可以根据历史去预测未来，预测什么样的人成为我的高潜人才，什么样的人有可能会离职，什么样的人是我的高绩效的人才等等。根据这个人的特点，我就可以把这些东西给出来，所以到了这个阶段，只剩下4%不到的企业。 我自己在过去这两年里，跟国内大量的企业去接触，有大企业，也有小公司，我发现分布还确实非常的类似，尽管这个图来自于应该是2017年左右，但我相信，今天的比例变化也不是特别大。 大家也可以想一想，你觉得你们公司自己现在已经到哪个级别？是到1还是到了4？ 同时，从这个角度你也可以想象一下市场空间，在未来的人力资源数据分析，它会在市场上得到一个多么大的发展，我们现在在这方面很多工作做的非常的不够，未来发展空间是潜力是非常大的，那么有很多公司就根据进阶模型，开发出来自己的路线图。 比如说，通用汽车，你看他这个模型是不是跟之前特别像？这个纵轴就是数据分析工作的一个成熟度，横轴就是它对业务的一个影响，所以影响是由小到大。 它一步一步分成了三个阶段，第一个阶段是标准报表。我只要去有关确保数据的完整性，把各种各样的一些报表做出来，就ok了。 到了第2阶段，就是我前面讲的，我能够把业务和人力数据结合起来，做一些分析，做数据挖掘，找到下面的原因等。 第3个阶段我还可以去建立一些模型，去预测未来。 当然了，如果说你们公司将来要去做这种数字化，想要转型发展人力资源数据分析的能力，其实完全可以参考这个模型，给自己公司定出来类似的路线图。 我之前也看到过一家跨国公司他们做的一个路线图，每一个级别下面对人的要求是什么？能力要求是什么？相关的培训课程有哪些版本？做的也是非常的清晰。 2、数据分析的全过程 那么有人就会说，数据分析是不是把这个数据去分析一下就完了？ 不是这么简单。 那么我理解的数据分析，它一共分成四个步骤。广义的，可以把它理解为数据分广义的数据分析。 步骤一：数据收集 第一个步骤，叫数据收集。 我看到有同学在问数据收集，其实正是第一个步骤。 首先，你要去收集你的数据收集，其实你可以收集很多的东西，今天技术收集的手段非常全，尤其是随着互联网技术的发展。 比如说，去年曾经有一个报道：亚马逊公司的物流员工，都带了一个可穿戴式的设备，可以去收集实时的行为数据。如：工作花了多少时间、上厕所花了多少时间、吃饭用了多长时间，然后根据数据，最后形成了一个标准。 换句话说，就是在你的工作中，偷工、摸鱼的，公司都能发现。 所以，这也是一种数据收集。今天有很多公司就用最原始的数据收集，让员工填个表、通过APP去让员工输入等等，这些都是数据收集。 步骤二：数据清理 第一步完成之后，有的数据它可能会不干净，对吧？这个时候要去做数据的清理。 比如说，不同的人把不同的数据输入进去，格式不对就会造成一些问题，将来就没有办法去建立模型，或者说进行结果的分析。那么这个时候要去做这个数据清理。 我之前去了一家特别大的一家互联网公司，他们公司成立了两个人力资源数据团队，一个是做高端的智能分析，比如人工智能这种预测；一个是做低端的数据治理，结果他们成立了团队之后，高端的团队基本上没啥事做，为什么？ 因为他们过往不干净的历史数据太多了，所以另外一个低端的团队，就是每天大量的时间就花在去清洗这些数据，可见这一步的工作是多么的重要。 步骤三：数据分析 当把数据清理达到使用要求后，才进入到第三步，才能真正进入分析阶段。 分析其实是比较容易的，无非就是通过数学或者统计学的一些模型工具，进行分析，建立模型，然后输出结果。分析过程本身是很快的，假如你这个模型是成熟的，数据输进去可能几秒钟结果就出来。 有同学在问数据分析有什么工具，我可以告诉你，Excel就是最应该去依赖的一个工具。Excel可以解决人力资源90%的日常工作，我认为一点都不为过。但是它有自己的一个容量的限制，比如说数据量达到1万条以上，或者说行数达到了100多万，那它就处理不了，所以今天有很多大数据的处理工作，这时候就没有办法用Excel了。 拿Excel足够解决90%的问题，没有任何问题，还有10%，你要去做一些预测。Excel缺乏一些功能，可以用其他工具，比如说spss就是比较常见的一个，用统计学上面建模的一个工具，它也兼具Excel的所有功能。 Excel和spss这些软件，比较容易去掌握。但它们都是收费的。除此之外，就是编程。 我自己也学过一段时间编程，对于人力资源做数据分析工作，必要性不是特别大，因为首先学编程耗用的时间量比较大。然后，你将来学完之后，就为了解决你人力资源的5%左右的工作，是不是有必要？ 其实你把前面这些软件工具能够掌握好，就能够解决大量的问题，这是我的观点。但是你自己觉得学有余力，非常想去学也可以。 步骤四：视觉呈现 最后一个，就是数据呈现。 数据分析了半天，交给领导的时候，领导看不懂。说明什么？ 说明你这个数据分析是失败的。 再复杂的公式、再复杂的模型，再复杂的过程，你能不能用一个外行都能够看得懂的方式呈现出来？这是一门本事，也算是一门学问。 最近的疫情，大家平时关注手机微信公众号上面的文章，有文章也在做一些数据分析，有一些非常漂亮的数据图表，我建议大家有兴趣的话，可以去关注一下，看他是怎么做的。看他怎么把一些非常复杂的数据，用很简单的道理呈现出来的。 好，以上就是4个步骤。 好，我们来看第3部分。 讲了这么多，如果说在座的各位有人回去很感兴趣，想去发展自己的数据分析能力怎么办？应该做什么？ 我们先来看一下今天数据分析领域的重要性，它将来会越来越多和人力资源其他传统模块齐头并进，有相同的一个重要性，就像薪酬、培训、发展等等一样。 我们来看一下做的最成功的谷歌，谷歌它旗下专门有一个人力资源团队，人力资源的数据分析团队，分析团队直接就向人力资源总监，他们的人力资源的一把手负责。 你看它跟其他的招聘，还有薪酬、绩效，这些位置是同样重要的。 而且这个团队的人来自于三类人，第一类是学数据科学的博士，拥有博士学位的人；第二类是来自于大的咨询公司的，做过咨询顾问的；有名校MBA背景的人。第三类就是特别少的一部分人才，是真正的那种来自于传统HR模块，有人力资源的人。 那么说到这儿，有人可能就想要打退堂鼓了，要求这么高？我现在做人力资源，我将来想去学人力资源数据分析，走这条路就比较难了。 我可以告诉大家，其实也没有那么难。 我在过去这一年里面接触了很多大的跨国公司、媒体、互联网公司。大家都纷纷反映，在市场上想招人力数据分析师，是很难招到这样的人的。为什么呢？大家都能猜到原因是什么。 今天，在中国的市场上，你要招这样的人，你只能从两类人里面招。 第一类就是非常懂数据，他就是理工科科班出身，学的就是数据。还有一类人就是非常懂人力资源，跟各位的背景非常类似，但是你再仔细想一想，这两类人他来做好岗位，其实都有他们自己的挑战。 我们说第一类人他懂数据，但是他不通人性，或者说他对人力资源的这些模块招聘、领导力培训等等，他对这些模块业务不是很熟悉，他只能从数据里面去找一些线索，但有的时候我们是要去超越数据，对数据认知，对吧？ 我经常举的一个例子就是做理智分析，比如说数据告诉你80%的人，是因为个人原因离职，如果一个人只懂数据，他看完之后他就认为80%就是个人原因。 但是如果是一个懂人力资源的人，他就会说：不对，这80%是有问题的。 虽然大家反映的是人力资源个人原因，但是背后有可能是有其他的一些原因，他就会去做一个深入的分析，深入的探讨，然后再把这个数据再做进一步的细化。 但是前一种人是很难去做到的。那么后一种人劣势也是比较明显，他对数据不敏感，他缺乏这种分析的思路，也不知道怎么样去应用这些分析的工具。 所以这两个都是有硬伤，但是在我个人认为，如果说你今天是做人力资源的，而且你比较喜欢数据也不抗拒数据，再加上过往的数学基础也还不错，其实你去学习技能，学习分析的技能，是比上面那些人他去学习人力资源容易得多的，因为做好人力资源其实也是需要大量的时间的一个积累！ 1、人力数据分析师的三级发展岗位 其实今天有三级发展岗位，未来你可以做到哪一步？ 第一类：数据信息HRIS分析 就是基础的这种数据信息，你负责系统管理员数据的收集，数据的整理，今天很多公司都有这样的一个岗位，这是最初级的。 第二类：商业洞察、商业分析 这类是你要上升到从拿的是上升到按照的，要多去了解业务，要去洞察业务，然后你能够去提供一些做完分析之后，能够提供些非常有洞见的解决办法。 第三类：业务影响、业务伙伴 这个是说就像一个战略的BP一样，你既懂人力资源的各个模块，又懂数据，然后你做出来这个决定，最后就去影响到你的业务伙伴。 所以这是人力资源数据分析师的三级岗位，你可以看到，这个岗位本身来讲是挺简单的，只是一个分析师，但是他的重要性是非常高的。 2、人力资源数据分析师的基本要求 如果要做好人力资源数据分析师，应该具备哪些能力基础？ ① 业务 我认为是一定要懂业务，这个就跟做好BP其实是一样的。如果业务你都不了解的话，你就很难做到以终为始。 你分析了半天，最后业务领导说这个对我没啥用，解决不了我实际的问题，这就没有任何的意义，所以跟 BP是一样的。 ② 统计 大家一定要学统计学和数据科学，数据分析最底层是数学，数学之上是统计学，统计学再之上，是关于今天的各种方向的一些数据科学，所以这是一个硬技能的一些学科。 有机会的话，你把这些东西学会，你就掌握了这样的一个东西了，你就远远的跑在了其他的人力资源上、同事们的前面。 其实通过前面的分析，大家也可以看到，如果你只懂人力资源某个模块的东西，比如说只懂招聘只懂薪酬，其实你是很难去做好数据分析的，我们说数据分析最终是要为业务提供决策的依据，对吧？ ③ 跨部门经验和支持 这个时候你需要去综合了解各个部门的一些经验和支持，就比如培训课，其实对学员也是要求的。 你至少得在人力资源领域5年以上，然后多多少少知道其他模块是怎么回事，薪酬你知道怎么回事、招聘知道怎么回事、培训发展怎么回事。如果只光懂一个模块，你这个数据分析做出来的决定价值量就非常的低了。 ④ 咨询、沟通 你前面说了很多硬的东西，分析完了之后，你还要跟人去沟通，对吧？ 你要去挖掘别人的需求，这个时候跟商业顾问比较类似，你要具备这种商业咨询、商业沟通的技能。 市场上也有很多这些书，今天有很多关于麦肯锡系列的一些书，我觉得也都写得非常的好，大家可以去读一读，教你怎么样去跟人沟通，怎么样去分析一个问题。 如果最后你的结果出来之后，你不能跟领导或是数据技术去讲，那别人是听不懂的，别人听不懂，他就不知道接下来该干嘛，那么也就是意味着你对他是没有任何的影，那也就意味着你的分析最终是失败了。 ⑤ 演示 怎么样去高效的去演示、演讲呈现，把你的结果用别人最能够明白的语言呈现出来，说服他们去采取后面的行动。 所以以上就是我归纳出来的5个方面的知识和技能，你要往这个方向去发展的话，要去熟悉这5个方面。 那么如果说今天回去之后，你觉得很感兴趣，我想去建立我的，数据驱动决策的思维应该从哪里出发？ 在这我给大家提4个建议: 1、以终为始，以业务的视角看待HR工作 一定要以终为始，我不断地在强调这个点，就是业务视角看待工作。 当然不光是数据分析，平时做任何人力资源模块的工作，其实都应该想到我这个东西做完之后，到底能够对业务带来什么样的价值，如果不能带来价值，你不要浪费时间在这上面。 2、利用好你现有的HR及业务数据 有很多人说我想做分析，但是我觉得我数据量不够，但是其实你可以仔细想一想，你现在有什么样的数据？ 一般我们说人力资源其实是业务所有部门里面数据量相对还是比较大的一个部分。你的员工入职有入职的数据，员工薪资有薪资的数据，员工产生了绩效，有绩效的数据，在培训的时候还有培训的数据，我举个例子，培训的数据很多时候很多人收集培训的数据的时候，就收集一个满意度，培训完了打个分。 但是你有没有想到你可以更加深入的去收集他的一些数据，比如说我在做我自己的培训之前，我培训之前我就会让大家去完成一个问卷，你现在的水平在哪里？ 培训完之后，我让他们同样去完成一个问问卷，你觉得培训给你哪些地方带来提升？这个数据量大了之后，你就能够从里面去发现一些趋势，就很容易帮助你再来提升你的工作。所以这就是一个非常简单的例子，你怎么样去利用好你现有的不光是业务，不光是HR，还要包括业务的一些数据，看他们之间能不能把它关联起来。 3、深挖问题根源，超越传统的HR解决问题方案 解决任何问题，不要停留在表面，多去深挖它背后的根源。 我之前有个学员过来跟我讨论，他做了一个公司内部的加班数据的分析，因为老板就让他去算一下，过去一年公司也漏统计了加班的一些数据，那么现在公司想补发加班工资，就让他去统计一个这个数额，其实也很简单的一个任务，然后他把做出来给我，他说老师你觉得我可以怎么样去分析一下，他其实就是具备了这样一个思维，他并不是说按照老老板要求的，我把这个东西做出来，结果呈现出来就完了。 后来我就问他，我说，我说你能不能从这里面去看一看，哪些部门他的加班的数明显是比较偏高的？这个原因是什么？ 到底是因为真的是工作量这么高，还是说领导力不行，上面的团队领导没有任何的控制，导致加班没有节制？ 后来他做了分析之后，才发现第2种原因更有可能。这就是不断深挖这个问题的根源，不要满足于表面的一些数据或者说现象。 4、养成用量化数据去衡量一项工作任务的习惯 任何工作，尤其对人力资源的工作，你要养成用量化数据去衡量工作的一个习惯。 这个也是经常做业务的人批评人力资源的人，很常说的一个点，说你经常都是拍脑门，靠经验，你能不能给我拿一些数据出来？你说的这些东西到底依据数据是什么？ 你可以想象一下你的业务伙伴，不管是做经营的、做生产、做财务，他们天天跟老板去汇报，都是在开会时把大量的数据拿出来。 那你自己能不能把这个东西发出来也做成这样，所以这个也是一个，我觉得对我们人力资源来说是非常重要的一个工作习惯。 1、如何保证数据来源的可靠性？当数据来源不那么可靠时如何辨识数据中的可靠部分？ 首先，我来回答后面这个问题。 就是怎么样去辨别数据中的可靠部分，其实这中间最重要的就是依赖于平时的这种对数据的一个积累，有了积累之后，才会有依据进行辨别到底哪些东西可靠，哪些不可靠？ 我自己在在美国做了两年薪酬数据分析员，工作本身是比较枯燥的，但是当你有了大量的这种积累之后，最后就能够形成一种只属于你自己的直觉，这种直觉会让你第一眼看到数据之后就知道它是真是假。 我再来回答前面这个问题，关于如何保证数据来源可靠性。 保证数据可靠性，本质上说的就是要靠什么手段去收集？去哪些平台收集？用什么样的技术收集？在收集的过程中人为的因素有哪些？有没有办法把人为因素降到最低？ 这里最好的方式还是上数据系统，因为系统会把这些工作变得更加的高效和透明，优质的系统将会节省很大一部分时间。 2、说到离职分析，除了离职原因，离职率、离职绩效还有其他哪些角度可以分析吗？ 我之前受邀去一家互联网公司，这是一家很大的互联网公司，他们人力资源团队还专门有个做数据分析小组，在跟他们交流的时候，突然他们就问我一个问题：人力资源数据分析最重要的目的是什么？ 我说这个问题你们干嘛问我，这个问题你们应该比我清楚很多。 但是他们就是很困惑，然后大家就开始讨论半天，最后他们团队领导出来说，其实老板最关心的就两件事： a、我们有没有从市场上招来最优秀的人？ b、我们最优秀的人都是因为什么原因离开的？ 这个故事我想告诉大家，所谓的离职的原因，离职率、离职绩效等等都可能不是关键，首先还是要搞明白老板最在乎的是什么，然后从老板关心的角度切入，找到有哪些因素影响了我的离职率，在公司的层面去采取什么样的手段可降低离职率，这才是最关键的。 我再补充一个小案例，前两天和我的一位客户聊，其实在员工离职后，了解清楚员工跳槽后的薪水，其实对人力资源管理来说这是非常有用的数据，反过来会提高自己公司的薪酬竞争力。 离职的一些数据也能够帮助到薪酬架构的搭建，比如说临时的人你可以去做一些采访，你做一些跟踪，就是他他离开了之后，他的薪酬是多少？其实也是对你来说一个非常有用的数据，将来反过来帮助你来提升自己薪资的一个竞争性。 3、人工智能不是将数据分析类很容易被替代吗？那到底前景如何？ 其实，这个问题我们要分开来看。 首先，如果你做一个报表，做一个仪表盘，给老板去拉出离职率多少？招聘成功率多少？等等这些东西，这些确实自动化很容易替代。 但有些东西，人工智能无法替代。 我们依然会需要大量的既通数据又能够通人性的管理者，数据是冰冷的，人性是复杂的，所以要做好数据化管理，光靠人工智能肯定是不行的。 4、HR想要提高的数据管理能力，可以从哪些方面入手进行提升呢？除了老师提到这个数据意识。还有哪些方面能力呢？ 首先，不要怕数据， 其实有很多HR一看到数据就觉得头疼，再加上以前数学也不是特别好，所以很害怕接触数据。 另外数据分析的方法也有很多，什么趋势分析、模式分析、回归分析等等方面。 当你不断的去积累接触数据之后，你的数据意识也会强化。就像我现在，看到大量数据，都觉得很喜欢，很愿意把它左看右看，然后从里面去分析出它的一个趋势。 这里有一些使用的方法，比方说去朋友圈找一些数据分析的文章，你看别人是怎么分析数据的。人家的角度是什么？人家思考的维度是什么？这也是一个非常好的思维练习，帮助你提升你的数据分析能力。 5、人力数据分析的最核心的内容是什么？ 我认为人力资源数据分析要做的最核心的内容，就是能不能为业务来创造价值。 公司最关心的依然是：增加利润 降低成本。这将是永恒的主题。 6、初创性企业，数据分析要怎样建立？ 初创型企业数据量可能会比较小，人员也不多，所以在数据分析方面可能能做的事情并不会很多。 当然也可以做一些力所能及的分析，比方说你可以去分析一下市场薪酬数据情况，等领导问你的时候，你可以做一个对比分析，然后做一个趋势分析，还能用非常清晰的方式呈现出来，这就超越了90%的HR日常工作习惯了。 另外初创企业的HR，还可以做一些员工满意度调研、员工敬业度调研，这些调研也是来帮助你去收集非常宝贵的数据的一个方法。这些数据如果收集完成之后，你再进行数据横向对比，你会发现很多信息。 7、传统HR模块不太精通、且公司HR数据来源不充足的情况下，如何学习人力数据分析，并选择合适的发展方向，即以后偏技术还是管理？ 如果说现在的对HR模块不太精通，你将来去从事数据分析肯定是有难度的。 你可以把数据分析师比成另外一种形式的HRBP，HRBP要懂业务，数据分析师要懂数据，但他们的前提都是HR，还是要懂人力资源的对吧？ 所以先做好当下，先把人力资源的做好，再考虑后面的事情。 8、先提出一个结果，再找相关数据来看是否正确，可行吗？ 这个问题很有代表性。 一般在数据分析领域，一般不说先提一个结果，而是说先提一个观点。 当别人告诉你一件事的时候，如果说你是一位非常具有数据思维的人，你不会把这件事当成一个结果，或者说当成一个事实，你会先把它当成一个假设，然后去寻找相关的数据来验证，来反驳这个观点，。 我举个例子，比方说有一天老板找你说：我们现在员工的薪资很低，你赶紧去算一下，我们需要多少钱，然后做一次调薪吧。 这里面其实有一个问题，就是老板告诉你的是他的观点，还是事实？ 大概率其实是他的观点，而不是事实，老板为什么要给其他人加薪，并不一定是本身员工的薪资太低，还可能是因为公司文化没做好，或者老板本身的领导力不足导致了一系列问题，所以才要加薪。 你是做数据分析的人，你就要有这样的一些意识。不要轻易去接受一个观点，任何事情都要拿数据说话，而不是拿感受说话。 9、年终总结数据分析怎么呈现？ 这个关键看你的听众是谁，要根据听众去设计你的年终总结。 这就叫以终为始。 10、怎么通过各种人力资源数据和高绩效的员工联系起来并且预测未来的行为？ 你要去预测未来的行为，你就需要去建立相应的模型。 建立模型这件事情本身就非常复杂，要考虑的因素会有很多。 这里我还要多说几句成长性公司员工的好与坏主要是听老板的意思，但我们做数据分析，就是要打破这个规律对吧。 员工的好与坏不是说由老板主观来来确定，那么就需要公司有一套客观的标准才行。这套客观的标准会有两个前提，一个是制度要建立、另外一个是要符合公司价值观。然后就可以进行数据分析了。 满足了上面这些条件，你才能从数据分析的口子，去分辨出什么样的员工优秀，什么样的员工一般了。否则你分析出来东西是不准的。 11、给决策层看的BI报表主要从哪几个维度去分析？ 大的方向其实很明确了，就是时间、空间两个维度。 你需要了解的维度还需要有： 成本怎么样？ 人效怎么样？ 人均的收入怎么样？ 全国不同区域怎么样？ 和历史数据比起来怎么样？ 变化趋势是怎么样？ 和同行对比之后怎么样？ 未来可能会有的趋势是怎么样？ ... ... 当然BI界面也跟每一家公司的状况有关，并不是每家公司的状况都一样，所以还是因地制宜。 12、为一名空降干部，我十分清楚数据对于今后工作的借鉴参考性，甚至是指导性的作用。但是，我可以如何快速分辨这个数据的真实性呢？ 你要分辨数据的真实性需要长期的一个积累。 如果你对这个业务也不熟悉，对各个模块也不熟悉，其实你是很难去分辨这个事情，数据一旦是虚假的，你后面好多结果都是错的。 前两天武汉修正了疫情的数据，直接修正了50%，就是一个很大很大的一个变化，你要知道如果数据不真实，最后会导致一个灾难性的后果。所以你怎么去分辨数据的真实性，一个靠你自己积累，另外一个就是你要知道，你收集渠道是怎么样的？ 关于收集渠道，我在这再跟大家举个例子，我当年在做薪酬设计的时候，有一年我们要做薪酬调薪，就前期收集很多的数据。 我的领导是美国人佬，他看了我手上的数据还没一会，就发现了一些问题，他拿着过往的数据进行了对比，发现某一个岗位他的数据一下子高出了很多。 后来我们调整了这个岗位的数据，以为事情就结束了，美国人较真，电话给咨询公司，问他们的数据源头到底哪里来的。紧接着领导全世界各国挨个打电话问，确定数据的真实性，最后他得出结论就是，这家公司提供给我们的数据是不可信，所以这家公司提供的所有的数据我们都不能用。 一个人想要获得数据的真实性，其实很大程度上还是要看他对数据的态度，我的这位领导对我工作上的启发很大。 13、对于人员规模比较小的企业来说，一般做哪些人力资源数据分析就够了呢？ 小公司相对简单。 人效分析最重要，就是单位人均利润。 当然还有人均收入、人均成本等等要素。还要看一个纵向的时间维度的发展趋势是怎么样？是一直在上升还是在下降？上升跟公司的利润增长上升相比是怎么样的？ 14、如何利用数据分析建设人才画像？ 最常见的就是这种访谈法，把组织里面的这些个最优秀的绩效，最好的人，把它选出来，然后就能做采访的时候，做提炼，看看他们身上具备什么样的特点？ 这些东西提炼出来之后，如果数据量足够大，可以做回归模型建模，然后发现哪个因素是最理想的？然后进行分类组合，最终可以从多个维度找到人才画像。 15、公司外部的数据怎么收集？ 一个是年报，上市公司都是透明的，随时可以找到。年报内容很丰富，数据超详细，大家都可以看到。 另外一个是正规的咨询公司咨询公司的报告，必须得是正规的咨询公司，网上经常有很多免费的咨询公司的一些报告，这些报告水分超级大。 顺便说一句，但凡免费的报告，要么针对性差，要么就是数据上有大问题。 最后一种就是靠自己，比方说招聘的时候可以多问一嘴，或者背调的时候也可以都问清楚。 16、数据分析用什么呈现最好 尽可能的用图形呈现出来视觉，而图形不要把它搞得太复杂。去看这个世界上最著名的商业杂志，最常用的图表无非就是这么几个，第1个线性图，第2个柱形图，第3个是饼图，第4个是对比图，搞清楚这几个已经非常厉害了。 还意犹未尽？想要了解更多关于人力资源数据分析的内容 可以购买范珂老师翻译的《人力数据分析精要》 |
|
|
来自： sea3bbvaf7zztd > 《待分类》
