人力资源数字管理模型（数智时代的人才管理决策利器）

组织在进行了体系化的人才数据治理，打下了良好的人才数据基础后，则更关注数据的运用，尤其是如何通过数据分析帮助企业进行人才管理决策。

大量人力资源数据的汇集后，数据价值的有效挖掘便成为了新的挑战，如今大多数大型组织拥有人员分析团队，公司高管也将人员分析列为重点，几乎无人质疑人才数据分析的美好前景。不过许多领导者也不得不承认，所谓的“分析”其实只是基础报告，尚未产生深入且持久的作用，公司既没有将数据分析贯穿到日常人力资源流程中，也缺乏利用分析进行有效预测，推动决策制定的能力，面对复杂的分析技术和亟待统筹的整体局面，鲜有组织知道应当如何实施，众多HR在该阶段较为典型的困惑是：如何建设服务于业务的数据与分析模型。

人力数据要服务于企业战略，解决实际问题，就需要形成一整套完整的数据分析流程。人力数据分析流程是基于人才问题的分析，而非针对数据本身，以终为始，这就要求我们从问题出发，通过数据分析找到关键因素，建立指标体系，形成分析报告，输出解决方案，不断去优化我们的业务和运营，以提高组织的绩效。“基于人才问题”，这是人才数据分析与其他业务数据分析之间的区别，但流程、方法则是相通的，殊途同归。

人力数据分析是通过对数据的分析以及深入研究，进而做出更好的决策。之所以更好，是因为这些决策的制定基于事实和数字，而不是依赖直觉，也正是基于事实，组织才能够验证在实现人员最佳管理方面的假设。

我们采用一套高效的数据分析决策流程支撑起不同的人才管理需求，并将其称之为“益才决策盒子”，两个主要特点是：

• 以数据贯穿始终，充分发挥数据的量化优势；
• 符合当下组织关于人才决策的动态要求，像盒子一样及时响应群体级，部门级，专项级等多类别的人才决策，彼此间相互关联，也可以单独成立。

具体而言，针对每个人才管理决策的数据分析流程从以下6个步骤展开。

一、提出商业问题

著名数学家John W. Tukey曾经在1962年说过这样一句话：“给正确问题一个模糊的回答，要比给错误问题一个精确答案要好得多。”

虽然已经过去半个多世纪了，Tukey的观点依然没有过时，它解释了为什么人力数据分析有成为一种管理时尚的风险。大部分企业人才决策的分析往往始于数据，因为数据是可利用资源，当你知道想要表达什么，你就会去寻找相应的数据来支撑，例如：“请验证我们的培训效果”这类人才发展决策，其本身没有产生新的、有见地的或增值的结果，但所有的分析案例都将调查数据与培训效果相联系。我们忍不住自问：“难道分析不应该从来自经营的挑战开始吗？”人力资源的成功在于对业务增值——通过告知如何决策业务以及创造商业成功而不是验证已知事实。

进行人才数据分析，理解管理者所关注的重点至关重要。那么，如何发现管理者对于数据分析维度的真正诉求呢？“穿上对方的靴子走一走”，想管理者或业务方所想，最好的方法就是进行良性的互动与沟通，基于HR前期的了解和管理者实际的业务诉求进行共创，碰撞出火花。管理者关注的重点是什么？

• 如果管理者的管理范畴较大，可能会关注整个团队的人员管理情况，这种情况下，HR需要提供员工全景档案，让管理者可以随时查阅，并能够从业绩情况、出勤情况、工作状态和健康度等多个维度对比员工数据，而非仅看到数值，让其基础的日常管理更为便捷。
• 从决策层面来看，团队风险度也是管理者较为关注的重点。例如，关键人才的异动情况、健康度状态、离职影响度等，若能有一些相关的预测则更有价值。
• 管理者也会评估预算和成本，例如，用人预算和成本是否超支，团队业绩的达标情况等。
• 部分管理者还希望通过数据看到自己团队与组织中其他团队的对比，了解自身团队在组织中所处的位置，并基于此进行本部门的调整和优化。

提出商业问题是数据分析的第一个步骤，也是HR和业务/管理者们解决业务难题的另一种方式，必须优先考虑这一步，避免弄错分析对象，只有清楚地提出问题并加以界定，才可以保证分析项目是组织真正需要的，清晰地勾绘需求，让输出结果与需求的契合度更高，增加项目成功的机会。换句话说：首先定义好你试图改变什么，以及为什么要做出改变。

二、确定分析思路

分析思路是整个流程的“灵魂”所在，它将分析工作进行细化。分析思路清晰、具有逻辑性，就可避免同一个问题反复分析的情况出现。确定思路需要全面、深入的拆解分析维度，确定分析方法，最终形成完整的分析框架。根据不同工作流程所处阶段和分析需求角度出发，数据分析可被划分为描述性分析、诊断性分析、预测性分析和处理方式分析四种类型。

（1）描述性分析。

描述性分析主要汇总原始数据，并将其转化为可以理解的形式，例如各种报表、图表等。需要注意的是，描述性分析通常是从过去的数据提取出有价值的见解，但往往不具备解释问题发生原因的能力。

（2）诊断性分析。

诊断性分析是基于描述性分析的基础之上。通过诊断性分析，可以深入挖掘问题根源，识别依赖关系，找出影响因素。借助联动、下钻、挖掘、预警等方法，可以知道问题是如何产生的，企业需要关注哪些方面来帮助解决问题。

（3）预测性分析。

相较于描述性分析和诊断性分析在过去数据上的集中，预测性分析往往更能说明未来可能发生的事。通过使用描述性和诊断性分析的结果来检测趋势、异常或做聚类分析后，对未来进行动态预测。

（4）处方式分析。

处方式分析是基于对“发生了什么”“为什么会发生”“可能会发生什么”的分析，通过算法手段最优化决策，来帮助用户决定应该采取什么措施，以便消除未来可能发生的问题或获得更有利的趋势。作为最先进的分析方法，它不仅需要历史数据，还需要很多外部信息，利用更为复杂的工具和技术，如机器学习、业务规则和算法等，这也决定了它的实施和管理相对于其他分析类型来说更加复杂。

三、处理数据

该步骤要求找出与检验假设相关的数据，并决定数据质量是否达到可以进行分析的程度。需要决定应该汇总现有数据还是采集新的数据，或者两者都需要。需要注意的是，此步骤很容易失控。项目开始时，我们往往很清楚数据以及分析的目标，但是当我们开始进行数据清洗并展开初步分析时，可能会出现新的、更有吸引力的问题，需要进行进一步研究。这时我们需要提醒自己不要偏离目标，避免分散注意力，确保更好地聚焦于想要的数据。当拿到数据时，数据往往不能满足直接用来分析的要求，所以需要将收集到的杂乱无章的数据，快速、准确加工成适合数据分析的样式。

这并不是说HR需要成为数据收集（目前通过技术完成的工作）或数据分析方面的专家，大多数公司已经拥有数据分析团队，HR的附加价值在于将分析结果转化为行动，以便数据得到很好的利用。

四、分析数据

分析数据的工作可谓“抽丝剥茧”，它从分析目的出发，按照分析思路，运用适当的分析方法或分析模型，使用分析工具，对处理过的数据进行分析，提取有价值的信息。在此阶段，方法论和统计学将被用于数据分析以检验假设并且为进一步提炼结论创造条件。缺少这一步，分析项目就缺少了基石，不进行分析，就不会发现数据中的规律。在此重要节点，选择了正确的还是错误的分析方法，决定了分析结果的有效性。HR要了解数据之间的关系，掌握相关回归、聚类等方法。这类方法可用于分析员工行为与HR结果数据（如绩效、满意度、离职倾向等）之间的关系，下表列出统计学概念中一些基本的描述性的量化分析方法，可供参考与借鉴。

五、展示结论

只有理解了分析背景以及分析结果的内涵才有可能得出结论，对于数据分析最常见的要求是“给我结论，而不是数据”。我们不能假定利益相关者能得出正确的结论，应该把得出结论作为我们的主要任务之一。对于企业高层来说，并不是为了看到这些数据，而是希望HR能够将数据反映出来的业务问题精准地识别出来，同时分析指标背后的原因、关联性等，为业务提供一定的参考。我们需要通过聚焦于提炼结论来提高决策质量。可以通过提出以下问题来检验结论的重要性：

●这个结论告诉我什么？

●这个结论和业务问题相关吗？

●这个结论是独特的或只是某个熟悉话题的翻版？

●这个结论清晰吗？

●这个结论会导致什么结果？

展示结论又被称为“数据可视化”，是以简单、直观的方式传达出数据包含的信息，增强数据的“易读性”，让阅读者轻而易举地就看出数据表达的内容。HR对数据的分析和呈现，要确保业务部门能够理解；“文不如表，表不如图”，展示数据结论一般用图表进行展示，常用图表有表格、柱状图、折线图、条形图、散点图、饼图等。

六、撰写报告

撰写报告是指以文档形式呈现分析结果，其内容是通过数据全方位的科学分析来展现运营情况，能够为决策者提供强有力的决策依据，从而降低运营风险，提高盈利。建议报告就是第1步至第5步工作的总结，以文档的形式展现数据分析的“推理”过程，并得出最终的结论。

就像需要依靠数据来源提炼观点一样，我们还需要根据结论来提出建议。同时我们需要思考：“如果我的结论足够重要，需要加以重点说明，业务部门需要做点什么呢？”数据分析的目的是帮助业务部门提高绩效，所以虽然结论会引人注目，但根据结论提出的建议才是业务部门需要的，只有行动建议才能推动目标落地，卓有成效的建议性报告会成为推动变革的强大力量。要保证从结论中提炼出建议，清楚地描述每个建议，像撰写声明那样清晰、简洁，如“这个结论表明……，因此，我建议……”。

以上即为“益才决策盒子”的全部流程。

有了这样的流程，很多关键的组织人才议题，就可以实现智能预警和趋势预测。HR部门可以通过整体规划确保数据分析具备实时的预警性，设置关键指标的监测系统，方便各部门“各取所需”，依据高管、业务负责人、HR部门、员工不同对象的决策场景可设置为：人才画像分析、流动分析、离职预测、继任规划、人才库、人力资本及效率分析等。