下载掌阅APP，畅读海量书库
立即打开
在数字化时代，无论是人工智能还是信息系统，所有这些技术的基础都离不开数据。在大数据时代，更多的公司会以数据分析的结果作为战略决策的指引，在有限的时间内从庞大的信息中找到优先需要重视的问题并研究对策。
在这样的背景下，人力资源数据分析也已经成为一个非常热门的话题，有不少公司已经专门设立了人力资源数据分析岗位。人力资源数据分析对我们来说有什么好处呢，我们举个例子来说明一下，平时大家在工作中有可能会用主观的方式来描述人力资源的问题，例如：
• 我们公司员工的生产效率比较高
• 公司团队的氛围有待改进
• 最近很难招募医药研发人员
• 最近人员流失问题比较突出
大家是否会觉得这样的描述不够有说服力呢？如果我们换成如下方式，是否觉得描述就更清楚到位了呢？
• 我们公司的人效比比行业平均水平高30%
• 公司的敬业度调查结果比去年下降5个百分点
• 目前平均医药研发人员的招募时间是3个月
• 目前为止，员工的年化离职率为40%
这就是数据的意义，能够让我们更理性地看待问题，作为HR，我们需要更多的学习和实践来学会灵活运用数据进行分析和讲故事。
管理大师彼得·德鲁克说过：“没有度量，就没有管理”，因此对于人力资源管理来说，既然要管理就得有度量。没有量化，跟着感觉走，就很难把握方向。
从问题解决的闭环流程我们知道了企业当前的现状是什么，接着就需要对其诊断。诊断首先会基于现有经验来选择一个模型判断诊断的维度，例如从流程管理来说，我们可以诊断的维度有数量、质量、速度、成本、价值等。有了这些维度我们就可以思考相应的数据诊断方式。
通过人力资源的六大模块划分，我们可以得到如下的一些度量方式（见表3-1）。
表3-1 人力资源度量指标示例
仅有这些机械的指标也是没用的，因为每家企业的情况都不同，所以我们必须要通过数据把背后的故事说出来。故事的特点是引人入胜，发人深省，我们要让数据发挥作用，通过数据表达自己的见解和洞察。
例如，对于全年销售业绩，虽然我们可以通过如图3-1这样简单的图表来展示，但是这张图不太容易明确分析者想要表达的点。
图3-1 全年销售业绩
同样的数据，我们尝试换一种表达方式看看（见图3-2）：
图3-2 全年销售业绩达成情况
同样的数据，呈现的方式不同，展现的侧重点也会不同，从图3-2中我们可以很清楚地通过达成率的维度和颜色区分看出分析者的意图是要告知大家团队D超标，而团队B没有达标。用合适的数据维度来表达会让分析者的意图一目了然。
基于良好的数据呈现方式，如再能加上分析发现，也就是在获取数据后通过分析和调查，进一步发现的在数据背后的一些根本原因及可能的机会点，其表达效果就更如虎添翼了。
为什么这么说呢？我们来看一下对图3-2补充分析发现之后的效果（见图3-3）。
图3-3 全年销售业绩达成情况分析
从图3-3中添加的分析发现可以看出，制作图表时我们其实已经在结合各方信息来解读背后的故事了，有时业绩好并一定是团队特别出色的结果，业绩差也不一定是团队不努力。没有这个分析发现就有可能会造成阅读者先入为主的曲解。
从用数据讲故事的角度来看，我们需要通过数据来发现问题，找到根本原因，引发相关人员的重视和支持，并通过数据跟踪问题是否被解决。
虽说我们知道了数据分析的意义，特别是在当今大数据时代，数据分析能力的重要程度也毋庸置疑，但可能很多HR会有如下的问题和困扰：
• 我数学不好，不懂算法，是不是就做不好数据分析呢？
• 如何能让别人觉得我的数据分析与众不同，且深入有洞见呢？
其实做数据分析最关键的是先要培养数据分析的思维框架，形成正确的分析方向。为大家介绍一个能够快速有效培养数据分析思路的工具，我将此称为长链分析。
所谓长链分析，就是将自己的思维从横向时间轴和纵向逻辑轴两个维度拓展，让自己的思考向全面和深度的方向迈进，你的思考面越广、深度越深就能产生更多有洞见的观察和想法（见图3-4）。
图3-4 长链分析
时间轴
横轴代表事物发展的顺序，称为时间轴。事物的发展会有很多环环相扣的前因后果关系，因此，我们如果能把这些不同时间点的数据串联起来就可能有更多的发现。
我们以人力资源相关分析为例，在人力资源领域中我们通常会进行招聘分析、绩效分析、离职分析、人力成本分析等不同类别的分析。有不少公司的分析侧重点会更着重当下的需求。例如，在招聘期间，侧重点是如何以最快的速度把人招进来满足业务需求。因此，对于招聘人员的能力和绩效的评估，往往会通过每个岗位招聘完成所经历的时间、人均招聘量及用人经理在招聘完成后的满意度等维度来分析。
如果你在分析招聘数据时也主要着重这几个指标，那么恭喜你，你是一位有经验的好员工，掌握了当前市场上通常的分析方法。不过，如果你每次都谈这些指标，我相信大家不会觉得你有更深入的洞察，因为大家都知道要看这些数据。
那如何进一步拓展分析的广度呢？我们可以在考虑当下需求的基础上，再把时间轴拉得更长一些，去看看在招聘之后能不能发现什么问题。比如，有些公司会把新员工是否通过试用期作为另一个招聘质量的衡量点，这个做法至少能将时间往后推移几个月来验证招聘的质量。
如果我们继续拓展思路沿着时间点往后看，我们可以去关注新招员工在第一年年末的绩效情况。因为一个人在加入公司一年之内所取得的成绩，很多是由他过往的知识积累、学习能力、人际相处能力等来决定的，因此员工第一年的绩效情况和招聘质量会有比较大的关联性。
我们还可以沿时间点再继续往后看，关注员工离职的时间，我们会发现不少员工是在入职一年之内离职的。这很有可能是员工进入公司以后，能力上的人岗不匹配，或者由于性格、价值观等无法改变的特质和公司的团队文化氛围不相容等因素造成的。发生这些事件和招聘质量也有一定关系。因此，我们还可以尝试从离职分析来反观招聘的质量。
看到这里，你会发现其实我们已经把招聘分析、绩效分析、离职分析关联到了一起，再来看看招聘之后用人过程中的用人成本，其实也是能有所发现的。我们在完成招聘之后可以定期分析一下，比较新员工群体整体薪资状况和现有员工群体薪资状况，是否会有明显的差距，如果因为时间的压力用提高薪资的方式来招人，最后就可能会导致用人成本迅速上升和一定的内部薪资失衡，这些问题都是可以从数据角度通过分析来发现并深入讨论的。
不仅是把时间点往后推，我们还可以把时间点往前推，分析新员工的来源。通常大公司的招聘渠道有社招、内招、校招、员工推荐、第三方招聘供应商、猎头等。我们把时间链上各环节的数据通过渠道来区分，就可以看出哪些渠道的综合招聘质量最好。
如能做到这样的时间轴长链分析（见图3-5），我相信大家的洞察力就能提升一个层次。同时，这些分析也并不需要高深的算法，普通的数据收集、分类统计和对比就能做到这一点。
图3-5 招聘的时间轴长链分析
逻辑轴
分析完横向的时间轴，我们再来看纵向的逻辑轴。逻辑轴主要是通过数据分析进一步寻找根本原因，将数据分析的结果转化为行动。如果数据分析的结果没有成为行动的输入，那么做数据分析是没有意义的。
那我们如何来进行思考呢？逻辑轴中的问题就能起到一个很好的引导作用。这两个主要的引导问题分别是“为什么”和“真的吗”。任何事情只有解决这两个问题有时才能找到真正的原因，否则容易停留在表象。
以销售报表为例。大家在日常工作中看到类似报表时，是否会在图表之外看到一些附加的数据洞察的说明呢？很多时候有可能是没有的，这就是我们可以通过深入分析增加的价值。
假设我们通过数据看到员工甲的销售额排名最高，员工乙的销售额排名最低，可以先问自己为什么会是这个结果，这时我们的第一感受很有可能是员工甲的能力强，员工乙的能力弱。接着，按照长链分析的逻辑引导，我们要继续问一个问题：“这是真的吗？”这个问题会驱使我们再往下探究其他数据并深挖原因。
我们可能会去看一下上季度的销售数字，计算出季度销售增长率。假设我们会发觉员工甲和上个季度相比销售额没有增长，但是员工乙的销售额相比上个季度却有50%的增长。我们可能就会想到由于销售区域不同，基础不同，绝对数字并不能真正代表员工的能力，因此增长率也是一种用来体现销售能力的维度。
分析到这里，我们能否说因为季度销售增长率高，所以员工乙更有潜力呢？别着急，我们可以再往下问一个“为什么”，为什么会有这个增长率的结果呢？
再次深度发掘，有可能我们会发觉员工甲的销售区域受到了国家政策的影响被限制相应产品的销售，而员工乙的销售量高是由于产品刚进入该区域，需求旺盛，因此增长快。所以市场因素也是导致销售增长率变化的原因而不仅是销售的能力。
以此类推，我们还可以通过问自己更多个“为什么”和“真的吗”来继续往下钻取更多的根本原因或者获取更多证明结论的证据。把这些深钻以后的结论总结到一起写在图表旁边能够帮助我们的洞见更深入一层。
我们再往逻辑轴的上半部分看，往上的方向，就是在深度挖掘后，我们要回到现实引发行动。要向自己发问：“然后呢”，这会引导我们去思考下一步应该采取什么行动。没有行动，我们的分析就是纸上谈兵。
我们日常的工作中会有不少纸上谈兵的情况，例如报表有人做，但是没人看的情形。当然因为各种历史原因这种情况的存在无可厚非，但我们需要去留意是否有可能定期审查，把一些根本不会引发行动的报表去除掉，减少不必要的工作量和误导。
我们回到介绍时间轴时所列举的招聘分析来看，当我们在找到不同招聘渠道在成本、绩效、离职率上所产生的不同结果之后，可以问自己：“然后呢”，来思考如何依据结果来展开行动。
假设我们在招聘质量分析结果中，发现内推渠道进来的员工绩效和一年之内的保留率都比较好，我们就可以思考如何进一步采取行动在公司内部加强内推的宣传和奖励机制来激励员工有更多的内推。
如果发现某供应商招聘渠道招的新员工整体薪资和能力相比偏高，我们也可以通过数据对比，告知供应商存在的问题并提出新的衡量要求。这样，我们的数据分析结果就可以嵌入日常的工作流程中。
我们在想出一些行动之后，也不要急于结束思考，可以再次发问“还有吗”，引导我们去思考还有什么有帮助的行动？例如，我们已经在分析中发现入职一年员工的离职率偏高，是否可以同时也在员工体验这方面着重和新员工进行一些访谈和调研，来看看是否有可能发现一些方法通过改善新员工体验来缓解新员工离职的情况，从而降低公司不断招人的成本和压力呢？同时，我们是否可以把离职分析中利用离职率分析的结果来提前制定我们的招聘计划呢？
我们持续通过“还有吗”来思考的行动越多，能够真正通过数据分析引发的改变就越多。数据分析如果没有后续的行动支持就会失去其意义。
如果在日常工作中，我们能够打开思路，利用长链分析多做一些相关联的分析，同时能够多问“为什么”“真的吗”“然后呢”“还有吗”来深度挖掘根本原因和引发行动，相信你就能逐步成为别人眼中，有深度、有洞见的行动派！