人力资源部门作为企业必不可少的部门之一，每年经手的数据量之大、类型之多可想而知。特别是在如今信息爆发式增长的时代，海量数据沉淀的背后是亟待挖掘的数据宝藏。

然而目前大多数人力资源部门还在做传统的“体检型”数据分析，不管有用没用，所有数据来一遍图表，男女比例、学历构成、离职趋势等等，这些有一定价值，但都是泛泛之谈。

“如何能把人力资源从成本中心变为为企业盈利部门，让各业务老大们视为自己人，是从业HR多年的我在思考与摸索的。”这是某制造企业的HRBP陈同学的目标，并且为之展开了行动，但是现实中却发现诸多瓶颈：

▏海量数据无法高效处理？

制造型企业日常管理中积累了大量数据，其中HR部门尤甚，如培训记录、出勤记录、加班记录、请假记录、招聘面试数据、绩效评价等，每月数据量达2万行；

Excel可以满足部分数据分析，但数据达到一定量级后，很容易造成死机；

▏数据孤岛阻碍价值探索？

企业投入的诸多系统“各自为战”，同时还存在部门壁垒，形成了数据孤岛；

进行数据分析需要收集多个平台数据进行整理和数据清洗，耗时耗力；

无法实现数据串联，造成数据浪费，隐藏在数据中的价值未被发现，也难识别；

▏数据如何保证又快又准？

领导临时交代的分析任务，如离职率分析、在职人员经验等数据，为了保证数据实时性，每次都要把之前所有分析过程再走一遍，效率非常低。

为实现个人价值与组织共赢，陈同学积极参与企业业务，但光“动嘴皮子”很难去说服别人，更不可信，所以拿“数据”说话是必要的手段。

因此，陈同学一直在努力学习数据处理方法，并在不断的实践中提高知识应用能力。接下来陈同学将通过以下三个场景案例分享个人实践过程：

1

午餐排队时间过长

是否要调整时间错峰进餐？

公司分两个职场，两地步行约10分钟。主职场有A、B两个食堂供餐，副职场由B食堂送餐。食堂通过刷卡就餐人次同公司结算账款。副职场甲部门同事同后勤反馈就餐排队时间过长，要求更改进餐时间。

一般此类事情领导第一时间会想到让HR处理，加上由于和个人体感不符，所以作为积极主动的HR一枚，陈同学同后勤处要了食堂的5个工作日刷卡数据。利用数据来看看实际情况如何：

1.了解每日整体就餐人数，以及各食堂人员分流情况

通过导入刷卡就餐数据，关联人事数据后发现就餐人里出现了已经几位离职的伙伴“去而复返”，而且两位是已经离职5个月的人。

这是出现了风控问题：首先立刻联系公司IT注销已发现的两人权限；再要求IT核实一年内离职人员权限是否均已失效；同时审核离职流程中权限注销节点是否出现BUG；至于离职人员刷卡消费产生的损失，交由后勤处理。

回到本次要看到的内容，数据显示每天会有约30%的在副职场工作的人员花费20分钟跑去主职场食堂就餐。从就餐人数看甲部门人员远小于乙部门。

2.反映排队的食堂，员工集中就餐时间

从热力图中的趋势线可发现副食堂就餐密集时间为11:28-11:48，甲部门就餐高峰为11：29-11：39，虽有重叠但甲部门人数较少且整体人员就餐时间分散，更改就餐时间影响意义不大。

本次事件分析除了能为后勤管理决策提供一定参考意见，同时也发现了潜在的风控问题，发现漏洞及时止损。

2

项目多加班长，项目经理要求社招加人

要不要招？

项目经理在月度例会上提出了抱怨，说是近半年项目太多，工程师一直在加班，需要再增加人员，需要HR进行社招。

招不招？招多少？分配给谁？可不是拍脑门就能确定下了的。在同总部申请人头数前，还是要用数据说话，底气足好办事：

1.了解人员负荷情况和各月加班趋势，探究加班是普遍趋势还是个别情况

从近半年加班数据看，人均加班小时数与整体加班小时有下降趋势：

•54%的员工加班小时在70h以内，平均到每月约12h，较为正常；

•24%的员工加班时间在100-200h，日均加班1.5h，在可接受范围；

•超300h的仅3%；

从个人加班排行看，一位仁兄异军突起，且个人申请的加班小时占了个人加班的80%。

从员工加班词云也可直观发现，加班异于常人的只有非常少的小部分人。

2.了解加班严重的是哪些群体

过滤出加班超过300小时的人员：

•通过饼图可直观发现工作经验不足3年人员占比50%，这部分人员需识别是技能不足，还是工作负荷较大导致的加班：

•如果是技能不足，需要安排辅导与培训；

•如果是工作负荷原因，建议酌情安排分工；

•从各项目组看，D组加班比例较高。需同业务负责人聊聊是项目阶段情况，还是人员不足。

•各项目组还有部分“准点下班人员”，大家雨露均沾下，是否可行？

基于以上分析，针对业务要求加人的请求，暂时先进行人员储备，如持续高水平加班，则适当进行人员补充或采用借调方式补充“人力”，针对识别出的几个“异常点”，核算后采取临时支持措施。

3

员工离职原因必选“晋升困难”

到底有多难？

离职检查单中离职原因“晋升原因”基本是必填选项。离职面谈时员工也会就这点”深入浅出”聊聊。

聊天吐槽后，数据汇总完，就真的完事了？领导问你离职原因，你直接来句“晋升困难”信不信领导瞪你。

而且从信度与效度的角度，简单的离职检查单是不够的。考虑如下两点分析：

1.考虑基数与受众因素聚焦主管级，从人事档案中抓取从入职到晋升主管的时间

从各部门人员晋升到主管需时间排行来看，最难的当属战略部，而生产部门相对较好，所需时间均低于平均值。

公司整体与项目部晋升时间对比看，项目部人员晋升所需最大时间远小于公司整体，但项目部仍处于最难提升的TOP5内，从数据层面印证了员工反馈的“晋升难”问题。

从人员年龄与工作经验维度对比，“年轻人”更容易晋升，公司晋升政策对此有一定影响。

从人员激励与保留角度，建议公司仍需考虑“年龄较大，经验丰富”的基层人员激励方案。

PS：由于绩效为晋升硬性要求，不具有分析对比价值，在此未单独罗列。

2.公司晋升时间现状如何，均值与中位值情况与影响因素

“晋升”作为人员保留的手段之一，可谓企业为数不多的杀手锏。但从数据对比中发现，仍会有10%人员在晋升后选择离职，离职日期与晋升时间相距不足1年。

是我们晋升决策过于冗长，还是对晋升人员没给予足够的培训辅导，是需政策制定者反思与深究的。

从陈同学上述分享的实践过程可以得知，通过数据的分析和拆解组合，能看到之前忽略的信息；领导临时交代的任务，也能很快的交付，并且提供更多维度的选择。

如何选择合适的人力资源数据

分析解决方案？

人力资源数据分析需要完整的解决方案，那么如何选择一个适合你的解决方案？

任何大规模使用的人力资源数据分析解决方案都必须具有某些特定的部分：

1.会回答高管们提出的商业问题。人力资源数据分析要服务于企业的业务发展，在选择人力资源解决方案时就要多维度考量是否能支持业务问题的解决。

2.很容易被非数据专家的个人使用。当非专业人员在不中断数据专家的工作流的情况下，也能有一个可访问的解决方案。

3.以统计分析和机器学习技术为动力。大型数据平台需要先进的数据管理系统，这些系统由机器学习和自然语言处理驱动。这使得技术能够自主地学习和推理，得出可以分析的数据。

4.基于预测分析。“预测分析”是从现有数据集中提取信息以确定模式和预测未来结果的实践。

5.使用可视化技术。对大量数据的可视化表示可以帮助更好地理解趋势和事件。通过分析引擎处理的复杂数据需要先进的可视化软件，因为它不能用简单的图表和演示文稿来表示。

6.保障数据安全。当方案存在安全漏洞时，有可能造成薪资信息、内部调查或员工评估记录等敏感数据丢失或被窃取，使企业面临巨大的风险，因此使用安全性高的系统格外重要。独家揭秘红海eHR安全防护体系，可点击“阅读原文”查看哦。

人力资源数据分析从哪里开始？

▏培养团队的转变思维

HR领导者必须让团队和组织为一个由分析驱动的工作流做好准备。虽然与高管讨论分析需求是变更的一部分，但是另一部分是让你的团队准备好处理用来测量变化的数据量。

这是数字转换的一个关键方面。让团队开始进行小型项目，并要求他们创建报告，以便于业务领导人交流，这是一个很好的开始方式。

▏引进数据专家

数据专家将成为人力资源团队中不可或缺的一部分。他们最适合于评估分析解决方案的可行性，还可以确保统计建模和预测的稳健性。

随着人力资源业务合作伙伴和多面手角色逐渐演变为包括数据策略、分析和沟通等技能，数据专家将指导他们在人力资源部的同事如何理解和应用这些技能。

▏从小事做起

要是人们相信人力资源分析可以驱动业务价值，一个很好的方法是首先成功的实现一个小项目。这些项目被称为“速成”，可以在短时间内产生切实的成果，而且有很高的影响力。

▏得到法律团队的许可

人力资源分析所使用的数据收集在很大程度上受合规法律的制约。在实施人力资源分析解决方案时，需要牢记的一些法律限制是：

•员工隐私和匿名

•员工对其收集数据的数量和类型的许可

•建立数据收集的目标并告知员工

•使用第三方软件进行人力资源分析时的IT安全性

与你组织的法律团队合作，确保遵循道德和法律规范。