企业HR系统建设与应用的数据分析，你知道多少？

目前，各行各业都在谈论数字化，大家也强烈地感受到数字化已经离不开我们，人力资源管理也需要快速摆脱事务管理、主管评价、感性决策的现状，逐步步入到数据化、网络化的科学管理时代。因此，我们首先要了解人力资源数据分析的类型、价值以及常见的模型。这也就是大家经常说的无工具不管理、无数据难决策的意思。所以谈到企业的人力资源管理，我们首先要考虑在目前大数据背景下如何开展人力资源数据的整理与分析。

人力资源数据分析的关键要素

对于数据在人力资源管理中的应用，最关键的不是数据绝对化的大与多，而是信息的丰富性与连续性。有的企业可能认为企业人员没有那么多，人力资源数据不足以“大”，因此觉得企业的人力资源数据分析没有价值，可以不用做数据分析，实则不然。人力资源的数据分析主要有三个关键要素：第一，要全体不要抽样，也就是不再像以前调查采用抽样的模式，而是要全体数据，即全部员工的数据，越全越好；第二，要相关不要因果，即我们在分析和应用数据的时候要相关性的，而不是因果性的，要考虑规律性的相关关联关系，也就是说不是当A导致B时就一定导致B，而是A的 80%可能会导致B，要的是这类相关因素；第三，要效率不要绝对精确，我们在做数据分析时，很多数据更关注的是效果，而不是绝对准确、绝对精确，比如日常应用中用到的平均年龄，28.1与28.2可能就没有什么绝对的差别，这时候往往更关注的是效果。因此对于人力资源数据而言，我们首先要考虑的是数据的丰富性、关联性、全体性，这样在做数据分析的时候就能够做出各种关联要素的分析。

人力资源数据分析类型  

对于企业的人力资源管理数据建设，常见的人力资源数据类型主要包括以下三种：

第一，事实性数据。可分为个人层面的、组织层面的、岗位层面的。个人层面的数据有人员数量与结构、学历、年龄、性别、家庭背景、工作经历、技能特长等，就个体而言这些数据通常是唯一的或不经常变化的静态性数据，虽然年龄会随着时间而变化，但是每个点是不变的。这类事实性的数据，在企业人力资源管理中常被称之为人事档案信息，这也是人力资源的最基本的信息数据，是多数分析的基础。那么首先要实现全体员工人事档案的全面数字化管理，再利用这些数据做有价值的分析。

第二，动态性数据。这类数据通常是变化的，是在人力资源业务处理过程中产生的动态性数据。比如招聘业务，我们计划招聘20位员工，但是这个过程中可能会收到500份简历，面试50 人，过程中的数据就会分析反映出招聘效果与效率。

第三，整合性数据。这类数据往往是通过计算、分析、挖掘得到的，是综合整理、关联运算出来的综合性数据，比如人事费用率、人均效益、人均工资等。

以上三种数据组合起来就形成了企业全面的人力资源数据。基于这三种数据，人力资源数据分析又分为哪三种类型？

第一类：基础信息数据分析，即基于静态数据进行的分析，包括人员总量、人才结构、人员状态、人力资源配比等，这些都可以通过基础信息来获取，从而反映出企业人力资源现状。

第二类，职能业务数据分析，也就是通过人力资源业务活动，比如员工关系、招聘、薪酬激励、学习发展、绩效考核等过程中产生的数据，对这类数据进行分析属于人力职能业务分析，可以反映出企业人力资源活力。第三类，效益效能数据分析，人力资源管理的最终价值是什么，一定是给企业带来效益、效能，那么就要对人均单产、人工成本利润率、员工满意度等进行分析，反映出企业人力资源质量如何。

所以上述三类数据相对应产生的三类数据分析，在人力资本方面可以反映出企业投入的情况怎样，通过一系列人力资源活动的管理，转化效果如何，会带来什么样的产出。因此这三种数据分析可以形成企业全面的人力资源数据分析。

人力资源数据分析价值  

在价值方面，可以说是不言而喻的。人力资源管理数据分析的价值，就像上面提到的今后任何的管理活动都应该是无工具不管理、无数据不决策。德勤咨询公司总结了一个人力资源数据分析的成熟度模型，共包含了四个层面，也就是在人力资源数据分析的时候可能实现的程度。第一个层面，他们认为首先应该是响应性的分析，即操作层面的，也就是说是效率性和准确性的数据分析。老板要什么数据，人力资源部通过什么样的方式快速提供，比如工资核算，能否快速准确地得出结果，而不再是大量的人为性重复计算，等等。第二个层面，属于有利于发展性的，主要是在人力资源业务管理、发展过程中能有效帮助我们做职能体系设计的数据分析。第三个层面，要有助于企业业务发展战略的，主要涉及到人力资源规划、人力资源各种模型体系，也就是说战略层面的数据分析。第四个层面，可以预测未来，也就是能够预测将来什么业务应该配备什么样的人力资源。这四个层面应该是逐步实现的，实现过程中也是具有一定难度的。

那么人力资源数据分析的核心价值可以总结概括为三个方面：明事实、察问题、预将来，即企业首先要很清楚的了解企业人力资源整理的现实状况是什么，接着通过这些数据我们能不能发现存在的问题或者潜在的问题，最后通过这些问题我们能否看到未来该怎样做，提出什么样的规划和建议。

人力资源数据分析模型

基于人力资源数据分析价值实现，人力资源数据分析模型也可以分成三种类型。第一类是基础信息数据分析，这是最基础、最多、最全面的数据分析，是从开始贯穿到结束的，或者理解成是永远要做、时刻要做的分析，这类数据通常也是动态变化的。第二类是业务过程数据分析，即在业务处理过程中对过程数据进行分析，从而观察人力资源的活力如何。第三类是效益效能数据分析，也就是高层面的分析，是基于前两类的数据结果或者数据状态来进行效益效能的整合分析。

这种业务模型涉及到投入、转化、产出三个阶段，是一种融合、包容和递进的关系。说到基础信息数据分析，首先要了解企业各种人力资源总量，其次要了解各类人员的流动情况、变化情况，同时更多的是要进行人员结构分析，掌握职位、年龄、学历、性别、人力资源配比等情况，清楚地了解所需要的各类结构，不同行业、不同企业的人员结构是有所不同的，因此要根据企业的实际需要进行处理和分析。通过对人员总量、结构与员工流失的分析，可以为企业人力资源规划提供直接依据。具体在业务处理过程中，首先我们要做的是人员总量的变化分析；其次在总量的基础上进行在岗指数的分析，再次还要做职位分布指数分析，得出管理层占的比重和基层员工占的比重，看看是否符合行业人力资源管理配比，从而反映出管理水平、管理能力以及创造价值人员的数量；另外还需要做年龄指数分析，不同行业需要的年龄是不一样的，比如IT行业，平均年龄一般不超过30岁，而传统企业超过 40岁也不会存在问题，这些都是我们需要做的分析，甚至还包括区域人员类别指数、人员性别指数、人力资源配比、员工流失分析等。

特别需要指出一点，企业人力资源部如何争取本部门人员编制？实际上，我们知道大多数企业的人力资源部人员都不够用，大家总是很忙、很辛苦，这个时候就可以对人力资源工作者的人员配比情况进行分析，看看在企业中 100名员工配有多少位人力资源从业人员，是0.5、0.8、1 还是1.5位，常规上一个比较现代化的企业，应该是1：50到1：100之间，传统制造业可能是 1：200，当然这要与所在行业的特点相结合。把这样的分析数据整理出来，体现出同行企业的配比情况，这样会更容易争取到资源。

另外还有员工流失，当前企业人员流失问题日益突出。其实人员流失并不可怕，可怕的是企业不知道是什么原因造成的流失，流失的状态、结构、时间、规律又是什么，这些其实都可以通过基础数据来进行详细的分析。企业要实现这类分析，就一定要建立全面的人力资源基础信息，也就是说要建立起每一位员工的人事档案数据，例如兰天的用户中，有不少记录每一位员工信息时多达一百多个指标，有的甚至是二三百个指标，那么我们可以分阶段采集信息，先把容易明确的或者是档案里有的信息采集全，利用起来，然后再逐步采集其他信息，从而记录比较完整、全面的信息数据，这样能够用来分析的数据就会越来越多，就可以多角度地分析员工的结构、行为，以及员工离职前的表现、离职员工的普遍特点等，为避免员工离职提供策略依据。

企业在做人力资源数据分析时，分析模型最好是可以通过软件随意变化，无论是年龄、职位、民族、籍贯等都是可变的，这样需要什么信息，对什么数据进行分析就可以了，同时可以将结果做成报表式的，通过报表更完整、全面的进行数字化了解。比如集团企业人员数量较大，有的要一两万人，想要建立起全员的信息数据会比较难，这就可以通过这种报表实现层层分析填报和汇总，最后形成集团不同层面的各种数据，这样就可以随机动态掌握企业的结构信息状态，有利于各级领导进行决策。另外人力资源管理还有一个非常重要的数据，就是要考虑历史变革，即历年数据情况，也就是要清楚地了解变化规律，从而预知未来的变化趋势，比如根据业务增长率、人才增长率预测出三年后的情况。当然国有企业还有一个特别的地方，就是需要向很多单位上报人力资源的各种报表，比如统计局、人保局，甚至是自己的行政上级单位，报表形式多样。

第二类是职能业务数据分析，常规上主要是绩效、招聘、培训等业务效果的分析，职能业务质量、状态的分析。例如招聘管理，招聘评价指标的合理选取能帮企业快速发现问题，针对性的优化招聘流程、招聘渠道选择与招聘环节设计，确保快速精准的为组织提供人才。常规的招聘分析包括了招聘渠道、招聘效率、招聘质量三方面的评价，哪些渠道效果突出；招聘效率是否满足业务部门的需要，能否在规定时间内到岗；员工入职后工作的结果、状态、效果如何，是否达到业务部门的要求。这些都是人力资源部门需要进行分析的，就招聘渠道而言，可以分为招聘网站、猎头、内部推荐等类型，从简历数、面试数、offer转化率等方面分析各个渠道的效果，考虑如何提升效果，这些就会影响到人力资源决策。对于招聘效率，通常可以分析出招聘周期、到岗周期等，从而反馈出招聘人员的工作效果以及对业务部门的贡献。招聘质量的评价，需要分析招聘过程各种相关数据，反馈出来招聘效果如何，招聘效果的跟踪最好能到员工试用期结束，体现出录用人员的工作质量和状态，这才是招聘质量评价的真正价值。

再例如薪酬激励，涉及到每位员工，那么企业人工成本怎么投？投入的激励效用如何？是否

达到了预期的目标？这些都需要从数据分析上得出结论。薪酬分析总体上可以分三个方面：第一，薪酬总量的合理性，也就是通过人工成本含量、劳动生产率等分析说明薪酬总量的合理性，甚至通过总量的合理性判断企业是通过增加人员，还是通过提升效率、加强管理来扩大营业规模，这些都是可以通过分析得来的。第二，考虑薪酬结构的科学性，不同层级人员、不同岗位人员们薪酬的差异怎样才是最好的、最有效的。第三，要分析薪酬增长的预期性，根据历年增长趋势、外部同行业增长趋势等的分析预测出本企业的增长趋势，分析出可能达到的竞争水平，可以利用对标的方式为决策提供依据。

对于培训管理，员工能力的提升是企业关注的重点，培训实施的形式很多，也花费了企业大量的成本与精力，通过数据分析，可以评价培训实施的效果与投入产出比。传统的培训分析往往比较偏向于感觉，每个人凭当时的感觉对老师所讲的内容进行打分，造成老师利用各种办法调动大家的积极性，片面注重讲课的形式，员工未必学到了真的东西，所以企业需要的是立体化、全面的培养方案，是多方面的培训分析。常见的分析模型，首先要有培训的覆盖率，指的并不是所有的员工都要培训好，而是对于那些有需要的员工，培训的覆盖率如何，还要考虑员工培训费用的利用率等。培训评估，也不再是简单的培训后在反馈表上打分，而是对培训效果进行跟踪，是一个持续性的反馈，比如培训刚结束的情况、三个月或半年后的状况以及三个月或半年后的业务变化情况、提升情况等，这都是需要综合考虑的，也是需要人力资源部调研、分析的。另外，对于绩效，现在我们指的是绩效管理，而不仅仅是绩效考核，因此需要侧重于绩效分析，加强通过绩效结果的评判、评比、综合对比来分析出需要提升的人员以及应该接受哪些方面的培训，甚至包括各种机构的分析、员工的分析，通过对比性分析，得出绩效短板，促进员工的学习与自我提升。

这些分析可以借助信息化系统进行，利用系统自动记录下来业务结果数据，有了这些结果就可以抽取数据进行分析。比如薪酬管控，企业薪酬发放的过程数据、到某个月还剩多少，都可以通过系统动态查阅，不像以往下属单位今年的工资，得到第二年的报表才能看到是否超额了，但那时已经没有意义了；另外对薪酬结构的分析，可以利用系统多做一些分析模型，比如e-HR 系统根据用户的需要和一些咨询公司分析模型的结合，预置了很多分析模型，这些分析模型就可以分析出不同层级、不同类型人员的薪酬结构，这样在做工资调整时就能比较好的进行对比。再比如招聘管理，可以利用系统对招聘渠道、招聘效果、招聘质量进行分析，甚至包括新员工应该达到什么样的薪资水平以及大家期望月薪的平均值，这些都需要通过数据来制订和优化业务策略。

第三类是效益效能数据分析，即针对人力成本投入后的产出进行的分析，可分为显性收益分析、隐性收益分析两个方面。显性收益直接就是销售额增长或利润增长，隐性收益实际是最能带来销售额、利润增长的员工满意度的提升，甚至会影响到企业的长期发展。对于这些分析模型来讲，往往是要结合人力资源的整合数据以及业务数据来进行分析，比如销售增长率情况、销售利润增长情况以及人员的数据变化情况，或者人均销售增长情况、人均利润增长情况等，这些都属于显性收益分析。对于隐性收益分析，就是如何能够通过员工满意度的提升，来促进员工工作质量的提升，从而达成客户满意度的提升，这就需要在做人力资源数据分析时或者做管理设计时，充分考虑员工对于敬业度提升的驱动力模型，这往往是与岗位职责、企业管理水平、工作环境、薪酬水平以及员工职业发展通道相关联的，这些都可以通过数据分析来得到。人力资源数据分析模型，通过对模型的分析得出是否需要经理人，什么样的人适合做经理人，才能够对工作效率起正向作用，这些都不是凭感觉而来的。所以对于员工的满意度和敬业度提升分析而言，可以有多种方式，比如在业务数据、基础数据基础上，形成各种算法，再去判断相关性因素；另外，可以做员工调查，通过各种调查数据进行分析；还有对离职员工原因的分析，不要在离职当天调查，可以滞后一些，了解出真正的离职原因进行分析，这些都有助于改善员工满意度。对于领导决策而言，领导在做企业业务发展规划的时候往往需要掌握人力资源现状、关键人才、人工成本等情况，这时动态的数据分析可以很好地指导决策，人力资源管理的价值也更好地体现出来。因此人力资源数据分析模型分为基础信息的全面分析、业务职能数据的过程分析，以及人力资源价值反映的员工满意度、效益效能的数据分析。