
如何使用数据分析提升人力资源规划
将“人的数据”转变为行动计划用于人才管理,这对于人力资源管理者来说是一个战略性的机遇。
企业管理者期望人力资源管理者能够就人才需求问题成为“企业的占卜师”,“但是我们的预测必须基于数据分析,而非预感或直觉,”OptTek Systems公司的数据分析副总裁、SHRM-SCP、Kelly Rene Wenzel说。OptTek Systems致力于商务软件开发及相关服务。
Kelly Rene Wenzel在今年6月18日举办的《SHRM 2016年全球人力资源管理大会暨博览会》的会前研讨会上说:“我们是人力资源信息的管理者,但是我们并没有充分利用这些信息。”
人力资源分析能够降低相关的支出和风险。OptTek公司业务发展副总裁Marco Better先生认为:“通过基于电脑的模拟建模,人们可以探求各种人才招聘和人员配置的替代方案。如此能够确保自己能够选择合适的人才、采用合理的人员数量,以高准确性的预测方案实现企业的目标。”“数据分析能够消除由于凭空猜测而造成的人浮于事、人员不足以及其他高成本的人力资源问题,从而降低相关的支出”。
他认为:“‘大数据’作为一个其定义正在扩展的名词,描述对象是大容量的数据,这些数据具有可以为人们提供行动所需信息的潜力,能够帮助人力资源管理者回答高层管理者提出的‘将会发生什么?何时会发生?’等问题”。
避免人才缺口1
决定“我们已有的人才与我们需要的人才——或者即将需要的人才”是人力资源管理的一项关键挑战。但是人力资源管理者的反应通常是被动型的,比如在有人离职之后才去了解人才缺口,一些跨国公司甚至无法清楚地说出他们的员工总数到底有多少。
当企业的员工人数超过了真实需求量时将会导致产生不必要的开支,让企业高管生气。相反,当企业的人才供给紧张,员工们也不会高兴甚至想要离开,这将造成额外的员工招聘和更替的开支——这还不包括那些不敬业却没有离开公司的员工所造成的花费。
将数据分析运用于应对人才供给带来的挑战,需要研究人才流失的历史——即员工离职的原因。同时也需要判断“保留这些员工?还是遣散这些员工,然后从外部招聘新的员工?”这两个选项中哪一项的花费更大。判断的结果因工作岗位的特殊性以及填补这一岗位的难易程度而异。
Wenzel建议:“如果人才流失严重,而又招聘不到合适员工,则应关注于提升留任率、增加培训和晋升、丰富福利待遇的价值、完善企业文化。”
提供企业内部儿童日托服务等做法可以说是丰富员工福利待遇的一种措施。但是与凭空猜测相比,更应该基于预测性的数据分析来决定增加何种福利政策:“这样做是否真正符合员工的需求?有数据分析能支持这一结论吗?”
如此,给我们带来了“最优化”的问题——如何以最佳投资水平获取最佳收益。Wenzel的经验是,在福利项目上投入太多的钱并非能够获得通过提高员工任率带来的等值收益。
通过历史数据分析,可以利用数据进行建模,进行预测。为了判断拥有高价值的员工是更倾向于留任还是离职,及其原因,需要针对拥有相似特质的员工建立他们的留任模型。
比如,可以将虚拟员工加入模型之中,模拟这些员工的职业生涯路径。
使用人力资源指标进行建模2
Wenzel和Better指出了多种可以用来模拟建模以及进行预测性分析的指标:
历史描述性指标:
历史员工离职率
历史调岗和晋升记录
历史培训项目
历史绩效指
历史成本和预算
前瞻性的未来指标:
可能的计划和行动给人才供给产生的影响
对于人力资源的质量和敬业度的影响
Better建议:“在更精细化的水平上对人力资源进行建模,细化到工作角色水平。”“使用模型预测未来的员工行为,检测相关变革对于人力资源的影响。各种人才缺口不尽相同,因此需要对每一个特定的岗位设立不同的计划。”
建立的模型必须能够描述员工的行为,因此需要包含的相关数据有:
离职率(主动离职、辞退、退休)
流动率(晋升、调岗)
新员工及聘用
成为熟练员工所需要的时间
模型也可以纳入一些能够获得的新因素,比如社交网络数据、失业率水平等外部数据。
当对人才供给或需求的空缺风险进行建模分析时,包括的指标有:
按岗位和职责描述划分的空缺风险
按岗位和时间段划分的人才流动
员工数量增长率
当进行员工流失风险分析时,应关注的指标有:
自愿离职率、辞退率、退休率
按岗位和人口统计学变量的员工流失风险,包括新员工、高绩效员工以及多元背景员工。
进行人才获取分析时需要考虑的指标有:
聘用率(内部招聘和外部招聘)
人才来源渠道分析
聘用成本
全职员工和临时员工
招聘质量
能够讲述故事3
当向企业管理层汇报你的分析成果时,学会用数据讲故事。不要向他们展示电子表格,他们厌烦这东西,而且他们还习惯用自己的思路去解读里面的数字。应该想办法如何吸引这些你想要说服的人们。当与管理层会谈时,以一项需要解决的业务问题为切入点,比如人才缺口的填补,接着向他们展示你的数据发现如何带来节约开支、增加收益的效果。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
数据清洗工具全景指南:从入门到进阶的实操路径 在数据驱动决策的链条中,“数据清洗” 是决定后续分析与建模有效性的 “第一道 ...
2025-08-29机器学习中的参数优化:以预测结果为核心的闭环调优路径 在机器学习模型落地中,“参数” 是连接 “数据” 与 “预测结果” 的关 ...
2025-08-29CDA 数据分析与量化策略分析流程:协同落地数据驱动价值 在数据驱动决策的实践中,“流程” 是确保价值落地的核心骨架 ——CDA ...
2025-08-29CDA含金量分析 在数字经济与人工智能深度融合的时代,数据驱动决策已成为企业核心竞争力的关键要素。CDA(Certified Data Analys ...
2025-08-28CDA认证:数据时代的职业通行证 当海通证券的交易大厅里闪烁的屏幕实时跳动着市场数据,当苏州银行的数字金融部连夜部署新的风控 ...
2025-08-28PCU:游戏运营的 “实时晴雨表”—— 从数据监控到运营决策的落地指南 在游戏行业,DAU(日活跃用户)、MAU(月活跃用户)是衡量 ...
2025-08-28Excel 聚类分析:零代码实现数据分群,赋能中小团队业务决策 在数字化转型中,“数据分群” 是企业理解用户、优化运营的核心手段 ...
2025-08-28CDA 数据分析师:数字化时代数据思维的践行者与价值推动者 当数字经济成为全球经济增长的核心引擎,数据已从 “辅助性信息” 跃 ...
2025-08-28ALTER TABLE ADD 多个 INDEX:数据库批量索引优化的高效实践 在数据库运维与性能优化中,索引是提升查询效率的核心手段。当业务 ...
2025-08-27Power BI 去重函数:数据清洗与精准分析的核心工具 在企业数据分析流程中,数据质量直接决定分析结果的可靠性。Power BI 作为主 ...
2025-08-27CDA 数据分析师:数据探索与统计分析的实践与价值 在数字化浪潮席卷各行业的当下,数据已成为企业核心资产,而 CDA(Certif ...
2025-08-27t 检验与 Wilcoxon 检验:数据差异比较的两大统计利器 在数据分析中,“比较差异” 是核心需求之一 —— 如新药疗效是否优于旧药 ...
2025-08-26季节性分解外推法:解锁时间序列预测的规律密码 在商业决策、资源调度、政策制定等领域,准确的预测是规避风险、提升效率的关键 ...
2025-08-26CDA 数据分析师:数据治理驱动下的企业数据价值守护者 在数字经济时代,数据已成为企业核心战略资产,其价值的释放离不开高 ...
2025-08-26基于 SPSS 的 ROC 曲线平滑调整方法与实践指南 摘要 受试者工作特征曲线(ROC 曲线)是评估诊断模型或预测指标效能的核心工具, ...
2025-08-25神经网络隐藏层神经元个数的确定方法与实践 摘要 在神经网络模型设计中,隐藏层神经元个数的确定是影响模型性能、训练效率与泛 ...
2025-08-25CDA 数据分析师与数据思维:驱动企业管理升级的核心力量 在数字化浪潮席卷全球的当下,数据已成为企业继人力、物力、财力之后的 ...
2025-08-25CDA数据分析师与数据指标:基础概念与协同逻辑 一、CDA 数据分析师:数据驱动时代的核心角色 1.1 定义与行业价值 CDA(Certified ...
2025-08-22Power Query 移动加权平均计算 Power Query 移动加权平均设置全解析:从原理到实战 一、移动加权平均法的核心逻辑 移动加权平均 ...
2025-08-22描述性统计:CDA数据分析师的基础核心与实践应用 一、描述性统计的定位:CDA 认证的 “入门基石” 在 CDA(Certified Data Analy ...
2025-08-22