这两天在朋友圈一张华为的HR招聘广告传的很火。年薪40万招聘HR数据分析师！这还没算上股票期权和其他福利补贴。
一般企业的HR工资水平在公司应该处于中等甚至偏下，没想到多加个数据分析的标签，薪水居然能这么多，而且这两年，数据分析能力似乎已经成为优秀企业招聘HR的重要指标，不光华为要求数据分析能力，百度、阿里等企业在HR的招聘简章中都提到了数据分析能力的要求。
大公司的招聘要求，一定程度上代表着职业发展的方向。不会数据分析的HR，必将没有市场。
特别是在人力资源岗位上，因为本身不具备直接产生效益的能力，如果还不懂得运用人力资源数据推动业务发展的，那对企业而言，只能是成本部门，不被重视，没有任何话语权，还不如外包省钱省力。
正因为如此，很多像百度一样的企业，都已经开始设置人力资源分析师岗位，通过大数据获取有关组织和人才的信息，对企业在组织和人才上未来可能产生的问题进行预测、预警、预判，并据此向业务部门提出决策建议，让人力资源真正发挥价值。人力资源数据分析，不仅仅是对HR个人的要求，更是企业发展的需要。
一、人力资源数据分析应该如何做？
人力资源数据分析的岗位之所以高薪，主要还是当下的HR多数都缺乏数据分析的能力，稀缺性造成了高薪，另一方面，HR用数据说话，从来不是一件简单的事情，也是HR工作里含金量高的工作之一。
人力资源管理中的数据分析最主要的就是两个方面，一方面是人员结构性分析，一个方面是人效的分析。跟踪企业人效，能够有效地监测公司经营状况，了解每个员工或者每个部门以及公司整体的人力效能情况，分析人员结构，能够帮助公司在招聘上提前做方案，做好储备，避免人才断层的风险。
虽然大部分的HR对人力资源管理知识掌握熟练，也大概知道做人力资源数据分析的意义，但是大部分人对数据分析的理解还不够深入，所以很多人做出来的人力资源数据分析的模板，可能就是下面这样：
员工性别比例、工作年限、地区分布、学历水平等等，把数据罗列好，配上简单的图表。
然而这样的数据，掌握基本Excel使用能力的人都能轻松统计出来，为什么要高薪聘用人力资源数据分析师来做？这样的数字统计出来了，到底代表了什么呢？好还是不好？性别比例背后的意义，是要老板自己猜吗？
只有数字罗列，没有分析，这样的数据不要也罢。而所有的数据分析，都应该有驱动业务的价值。
人力资源的数据分析，应该是通过数据获取有关组织和人才的信息，对企业在组织和人才上未来可能产生的问题进行和预测、预警、预判，并据此向业务部门提出决策意见。
这里我们就以一个真实案例，来讲解一下有价值的业务分析是怎样的。
二、人力资源数据分析中的痛点
小王是某公司总部的人力资源专员，每个月、每季度、每年，小王都要负责整理这段时间区间内员工的新增、离职、调动情况，并针对员工的构成特征、KPI绩效、工资发放等进行管理。公司的员工信息保存在OA系统中，而薪资信息又保存在另一套云ERP系统中，有一些分公司还有自己的业务系统。
这些数据之间没有被打通，就像一个个孤岛，将其整合在一起需要耗费大量的人力，而就算费了老大劲整理好了数据，这些数据也存在滞后性、准确性等问题。比如：
1.小王每个月月中就要发布通知，让各分公司将本月的人力资源信息开始汇总，之后进行上报。从发布通知，到上报结束，往往需要经历2周甚至更多的时间， 白白耗费了许多人力不说，还存在严重的滞后性。
2.人力资源数据采用Excel进行上报，绩效、薪资的计算也是人工使用Excel进行核算，篡改、纰漏等数据准确性问题无法把关，全靠业务人员的责任心和专业性。
3.数据以月份为单位进行存放，当需要汇总观察趋势时候，就需要将N张Excel进行整合，费时费力，Excel的性能也堪忧。
因为以上的种种数据问题，小王每个月的大部分工作时间都在整理、核算数据，更不要提什么数据分析了。
三、分析工具+解决方案
为了解决上述问题，小王需要的是一套能够实现多数据源整合+数据处理+数据分析的软件。小王的这一需求，是许多企业推进数字化进程中的共性需求。这样能够满足从数据源到业务人员数据分析完整分析流程的软件，就叫做商业智能（BI）软件，这个概念最早由Gartner集团提出，目前国内的BI软件很多，我就以比较有名的FineBI为例，来讲解如何进行人力资源数据分析。
1、数据连接
FineBI可以把不同来源的数据基于业务分析需求进行分类管理。无论是传统的关系型数据库MySql，Oracle还是Kylin，Hive，Spark等大数据平台，都可以通过FineBI进行连接，将其中的数据进行整合，打破各个业务系统中的“数据孤岛”。
而如果选择直连模式，则可以实现实时数据展示，上一秒发生的人员变动信息，下一秒就可以在BI中展现出来，消灭数据迟滞的同时也降低了人力浪费，大大提升了决策效率。
2、数据加工
在设置好数据连接，添加好需要的数据表并设置了表间关联后，我们可能还需要对数据进行一些处理，比如过滤掉一些不需要的数据，或者进行一些计算等等。这时候就可以使用FineBI的自助数据集进行数据的二次加工。
3、自助分析
数据治理这些后台的底层工作完成后，HR就可以针对数据进行探索式分析了。把纬度和指标拖拽到坐标轴就可以自动生成可视化分析图表，制作完成的各图表组件之间还能实现联动、钻取等OLAP分析功能，从多个角度探索，深入挖掘数据价值
四、人力资源分析模板
1、新入职员工分析
我们可以通过探索分析发现以下特点：
“新员工数、去年同期新员工数和与去年同期相比的在职员工数变化率(%)(按月)” 组合图显示，今年每个月雇佣的员工数都比去年多。 有几个月的雇佣员工数明显很多。
从按地区和种族划分的新员工计数和在职员工计数组合图可以看出，我们在东部区域招聘的员工较之更少。
按年龄组划分的新员工增长率变化瀑布图显示，我们主要招聘的是年轻员工。 这种趋势可能是因大部分工作都是兼职性质所致。
“新员工数(按性别)” 饼图显示，新员工数按性别大致均分。
我们可以通过探索分析发现以下特点：
左边的两个组合图显示了，与去年同期相比在职员工数和离职员工数的变化情况。 今年的在职员工数比去年多，这是由于快速雇佣所致，同时离职员工数也比去年多。
8 月的离职员工数比其他几个月都多。通过点击不同的区域、性别进行探索分析，发现其中东部地区的离职人数明显更多。
我们注意到，在饼图中，在职员工数按性别和年龄段均分。 接下来可以选择不同的年龄段了解各个年龄段是否按性别均分。
2、差员工分析
要探究的最后一个部分是差员工。 差员工定义为上班不超过 60 天就走人的员工。 我们正在快速雇佣，但我们是否雇佣到了优秀候选员工？
选中左侧“区域” 过滤组件中的“西北” ，并点击“差员工数(按性别)” 环形图中的“男性” 。研究“差员工数” 页上的其他图表。 我们注意到，男性差员工数比女性要多，并且 A 组中有很多差员工。
如果研究“差员工数(按性别)” 环形图，并选中“区域”过滤组件中的不同区域，就会注意到，东部区域是唯一一个女性差员工数比男性要多的区域。
网友评论