人力资源分析报告(人员情况分析报告及建议)
导语：对人力资源管理专业人员来说，数据分析是一门新技能，而学习这种新技能需要投入成本，包括时间成本、资金成本等。既然要投入成本，自然希望获得回报，并且明白获得回报的难度。按照弗洛姆的期望理论，这两个因素结合在一起才能产生学习动机。本章围绕这两个因素，阐述人力资源管理专业人员为什么需要学习数据分析，学习获得的回报是什么，学习的难度又如何。
老梁：经理，您常说人力资源管理要重视数据分析，可我觉得人力资源管理在实际工作中并不缺少数据分析啊。您看我们做薪酬、管绩效、建档案、搞培训都是在和数据打交道，每月、每季、每年都会出分析报表，这些不就是数据分析吗？咱们已经在做了，为什么您还强调数据分析呢？
Miss陈：你说的这些工作自然是在和数据打交道，也是数据分析，但主要是对人力资源各个管理模块产生的数据进行简单的分析运算，如汇总、计算均值、总和等，再通过横向对比、纵向对比等方法从不同维度进行比较分析，然后形成报表，做成报告。实际上，这些工作属于数据分析的较浅层次。
老梁：较浅层次？您的意思是人力资源管理数据分析还分层次吗？
Miss陈：是的，数据分析的层次和我们人力资源管理的发展阶段有关系，你知道人力资源管理发展的三个阶段吗？
老梁：知道，人力资源管理历经了三个阶段，分别是人事管理阶段、单向人力资源管理阶段和战略人力资源管理阶段。
Miss陈：其实不同管理阶段对数据分析的需求不同，人力资源管理发展的三个阶段分别对应了三个层次的数据分析需求，具体来说有以下三点。
（1）人事管理阶段：这个阶段需要对基本数据进行整理、统计，比如计算薪酬、记录考勤、统计加班信息、分类统计人员信息、编制薪资报表等，基本上就是对原始数据进行普通预算，这属于数据粗加工。
（2）单向人力资源管理阶段：这个阶段在对数据粗加工的基础上，需要统计更为复杂的指标，用于分析和反映人力资源管理的水平，诊断管理的健康程度。这些指标涉及人力资源各个模块，比如招聘成功率、员工流动率、培训百分比、工作负荷率、企业年轻化程度、劳动生产率，等等。经过几十年的发展，人们总结了不少指标，从类别上划分，大致可以分为人力资源效率指标、人力资源发展指标、人力资源描述指标、人力资源健康指标四类，还形成了人力资源统计学、人力资源会计学等学科。这个阶段开始对数据进行精加工，主要是研究和提炼管理指标，通过计算各种指标来进行数据分析。
（3）战略人力资源管理阶段：这个阶段将人力资源效能与公司发展战略结合起来，形成人力资源发展战略，进入战略管理阶段。这个阶段需要分析人力资本的投入和回报、人力资源在企业的影响力、人力资源如何促进公司战略目标的实现等更高层次的命题。这个层次需要更为复杂的统计指标和分析技术，在分析指标上重点研究人力资本在企业中发挥的作用，并能够根据需要建立管理分析模型，在分析技术上需要采用更为高级的概率统计分析方法。
老梁：原来不同的发展阶段对人力资源数据分析的需求是不同的，看来我对数据分析的理解还不够啊！
Miss陈：所以我们也要与时俱进，结合当前人力资源管理的发展趋势，加强对数据分析知识、技能、工具的学习，提高数据分析水平，将数据分析的知识和技术应用到人力资源管理实践中去，提升我们的管理水平，促进公司战略目标的实现。
老梁：经理，您说得对，不过关于数据分析对人力资源管理工作的必要性，您能讲得再详细点吗？咱也想加深对数据分析的认识和理解。
Miss陈：好的，下面我就详细讲一下人力资源数据分析的意义。
Miss陈：老梁，请问你现在的工作可以不用电脑吗？
老梁：经理，根本离不开电脑啊。不仅是我，几乎每个部门每个员工的工作都离不开电脑。上个月初公司停了一天电，结果各个部门的工作都停滞了，台式电脑开不了机，内部服务器瘫痪，笔记本电脑即使能用也打不开OA（办公自动化）。于是大家休息了一天，啥工作都没干成。
Miss陈：这说明我们的工作对电脑的依赖性很强，超过了以往任何时候。我们已经习惯了通过办公软件和各种管理系统来开展工作。比如，在人力资源管理方面，我们就启用了若干信息化系统来辅助管理，包括员工档案管理系统、培训管理系统、在线培训系统、员工素质测评系统、绩效考核系统等。我们对这些管理系统产生了依赖性，而这种依赖性实际上也成为了当前人力资源管理的特征，照目前的趋势来看，这些管理系统还会逐步向移动终端发展。
计算机管理系统每天都会产生大量数据，如何充分利用这些数据来提升人力资源管理水平，已成为人力资源管理的重要课题。这些数据就像是原材料，我们现在只是进行了粗加工，实际上可以进行精加工，可以更加有效地利用这些数据来为我们所用，给我们提供更有价值的信息。
现代计算机技术的发展、大数据技术的发展、数据挖掘技术的发展，以及数据分析工具的普及，都为高级数据分析技术在人力资源管理领域的应用提供了良好的土壤，也对人力资源管理工作提出了更高的要求。那些看上去复杂、神秘的数据分析技术和昂贵的数据分析软件曾经阻碍了数据分析技术在管理领域的广泛应用，但是现在形势已经发生变化，数据分析的技术和工具不再是高高在上遥不可攀。现代人力资源管理领域应在实际工作中充分利用这些技术和工具，创新管理手段，提升管理水平。所以，可以说数据分析是人力资源管理发展的趋势。
老梁：经理，要达到您说的更高层次的数据分析水平，可能需要学习很多计算机和统计学知识，我担心这会阻碍人力资源管理人员去应用数据分析技术。
Miss陈：对人力资源管理人员来说，要额外学习计算机和统计学知识确实有难度，但对于这些知识其实只需要学习基础内容就可以了，而基础内容的难度并不大。比如学习R语言，只需要掌握语法和数据结构等基础知识，就可以开始应用了。R基本上是采用函数编程，很多算法模型往往就是那几个函数，设置一下参数就可以建模。用了之后你会发现和Excel的函数用法差不多，上手应该会比较快。统计学方面的学习也不用去研究算法原理，可以把算法当作黑匣子，只需要学习算法的输入、输出和适用条件等基础内容就足够了，这样其实比较简单。
老梁：学习基础知识恐怕也要花不少时间呢！
Miss陈：学习当然需要付出时间和精力，不过一旦迈入数据分析的世界，你会发现人力资源管理迈上了一个新的层次，人力资源的管理水平和技术水平将显著提高，人力资源管理人员的技术刚性也将显著提高。到时你就会明白这种付出是非常值得的。
老梁：经理，您说的技术刚性是什么意思？
Miss陈：刚性本来指物理属性，是物体承受外来压力但性质不发生改变的属性。这里说的技术刚性，指技术能力达到一定高度而不受外部变化影响的能力，也就是说技术能力达到了某种境界而表现出不可替代性。
老梁：明白了，您的意思是数据分析能够提高人力资源管理人员的技术能力，提高人力资源管理岗位的不可替代性。
Miss陈：是的。你在公司时间也不短了吧，应该看到这几年常有人员调到人力资源管理岗位工作，这些人员的专业出身五花八门，市场、财务、经营管理、综合、技术的都有，给人的感觉是什么人都能搞人力资源管理工作，这是什么原因造成的呢？
老梁：咱人力资源管理的工作给别人的感觉是技术门槛低，谁都可以来做。这和财务工作的对比最明显，不懂财务知识根本没法开展工作，但不懂人力资源管理知识也可以开展工作。
Miss陈：这就是人们对人力资源管理的刻板印象，认为人力资源管理专业门槛低，入门容易，人人都可以做。但实际上我们都知道，人力资源管理涉及的知识范围非常广，能力要求也非常高。你看咱部门的本科、研究生占比，是全公司所有部门中最高的，这在某种程度上也说明了人力资源管理对人的能力要求很高。
要改变人们的刻板印象是相当难的，数据分析恰好可以成为改变印象的重要元素。这是因为数据分析代表了较高的知识和技术含量，具备技术刚性，一旦将人力资源管理与数据分析技术结合起来，某种程度上也提高了人力资源管理本身的技术刚性。
老梁：嗯，明白了，看来学习数据分析对人力资源管理人员来说是非常必要的。
Miss陈：当然，人力资源的数据分析最重要的作用还是给企业管理层提供决策依据。
老梁：就是说将分析结果提供给公司领导去做决策吗？
Miss陈：是的，这点非常重要。如果数据分析只用于人力资源管理本身，只用于提高人力资源管理的水平，则显得狭隘了。若数据分析能给管理层提供有用的信息，能够影响和帮助公司做出正确的经营决策，才真正体现了数据分析的价值。
比如，我们分析各个分公司的人力资源管理效能，分析分公司在人力资源管理投入和产出上的差异，再结合行业对标数据，对下一年的人员配置、工资分配提出相应的优化方案，将分析和方案提供给管理层，那么管理层就可以根据这些信息决定是否调整公司的经营指标和预算，更合理地给分公司下达经营任务等。这其中数据分析的内容就成为了重要的决策依据。
老梁：嗯，如果能引起管理层的重视，能够给管理层提供有效的信息，那也不枉咱们花时间去学习这些知识啊。
老梁：其实咱们天天都在接触数据，基本上各种总结、报告都会用到数据分析，虽然目前数据分析的层次还有待提高，但感觉数据分析已经是工作的一部分了。
Miss陈：的确是这样，实际上我们的工作根本离不开数据。人力资源管理六大模块中，人力资源规划、招聘与配置、培训与开发、绩效管理、薪酬福利管理等模块都要以数据为基础，这些模块每天都会产生大量数据，加上各种管理系统及其存储的数据，可以说人力资源管理人员就是围绕数据在干活。
老梁：是啊，我们跟您汇报工作时如果没有数据来支撑内容，都不好意思拿出手，没有数据分析的报告也没有多少说服力。您看每个季度公司的经营分析会，都有人力资源分析，其中包含大量的数据分析，如人工成本、工资总额、人员流动情况等，都需要用数据来说话。
Miss陈：所以进行数据分析并且不断提升数据分析水平是人力资源管理的刚性需求，是我们必须要做的工作。
Miss陈：不过咱们人力资源管理用到的数据，可不是轻易就能得到的。
老梁：啊？！咱们的数据不都是现成的吗，您看像薪酬、培训、绩效这些数据都在人力资源管理系统中，要什么数据都可以导出来，应该说还是比较容易得到的吧。
Miss陈：这些数据自然可以轻松得到，因为这是我们的业务数据，但是进行人力资源的数据分析需要的不只是这些数据。比如，我们要做人力资源效能分析，就需要公司经营方面的数据，才能计算劳动生产率、人工成本创利、人工成本创收等指标；如果要做薪酬公平性分析，就需要了解外部行业薪酬数据；如果要进行人员流动性分析，就需要知道行业或岗位流动率对标数据。这些数据可不是那么轻松就能得到的，因为它们分散在各个地方。
老梁：噢，这么说来的确是这样。经营数据要到财务部、市场部去收集，外部数据要在网络上搜索，或者向咨询公司购买。这么说来人力资源分析所需要的数据是挺分散的。
Miss陈：不仅如此，即便是在咱们部门内部，数据也是分散的。例如，招聘时应聘者的素质测评分数得找小肖，人工成本、工资总额、工资使用进度等数据得找小姚，培训记录、绩效考核的数据得找小曾。虽然咱们有人力资源管理系统，但培训、招聘等系统是独立的，薪酬数据由于需要保密也只能由专人管理，所以我们部门内部的数据也是分散的。
老梁：是啊，每次做经验分析我都得找小肖、小姚、小曾拿数据，要花不少时间才能集齐数据。
Miss陈：人力资源数据分析的特点之一就是数据分散性。我们需要的数据都分散在相关人员、相关部门或者外部网络、机构中，在分析时需要花不少力气来收集、整理。特别是经营数据，涉及市场、财务等部门，这些部门可能会出于某些原因拒绝提供数据，所以数据收集的难度不小，即使收集了也不一定能获得理想的效果，给我们进行数据分析带来了一定的难度。
Miss陈：人力资源数据分析的另一个特点是数据相关性。
老梁：相关性是不是指数据之间的关联性呢？
Miss陈：是的，这种相关性体现在业务数据内部相关、与经营数据相关、与外部数据相关等方面。
比如，人力资源的业务数据中，培训、薪酬、绩效数据都是基于员工关联的，是员工产生的数据，彼此是相互联系的。
人力资源数据也受到经营数据的影响，比如公司经营效益好时，员工薪酬会上升，培训费用会增加，可能会多招聘员工；而经营效益不好时，则员工薪酬、培训费用下降的可能性较大，还可能会裁员，这说明人力资源数据和经营数据是也是相关性的。
老梁：明白了，经理，我来说说外部数据的相关性吧。我想到一点，我们的薪酬水平、人工成本等数据和政府发布的社平工资、最低工资、工资指导线等外部数据是相关的，比如社平工资上升，那么员工的社保、公积金的基数就会调整，会直接影响到公司的人工成本，这点就体现了人力资源数据与外部数据之间的相关性。
Miss陈：说得很好。
Miss陈：人力资源数据分析还有个特点，这个特点会让我们特别头疼。
老梁：是什么特点呢？
Miss陈：人力资源数据缺乏统一表征，从统计指标、统计口径到计算公式都缺少统一的标准。这个特点和财务数据形成了鲜明对比。财务数据标准化程度相当高，比如常见的资产负债表、利润表、现金流量表这三张报表的统计指标、口径、计算公式都是有统一标准的，每家企业都按照相同标准来计算和分析。对比起来，人力资源的数据就显得寒碜了不少。
老梁：咱们的劳动生产率、人均创利、百元人工成本创利、百元人工成本创收等指标都是标准口径的数据啊。
Miss陈：不然。说起来人力资源统计指标挺多的，除了你说的这些，还有人工成本投入产出比、企业劳动分配率、人事费用率等，算下来也有百十来个指标，涉及人力资源的各个模块。但是这些指标并没有形成统一标准，其统计口径、计算方式在不同的企业或多或少有些差异。
首先是统计指标没有标准。比如，分析人工成本投入和产出，既可以用百元人工成本创利、百元人工成本创收，也可以用劳动分配律、人事费用率、人工成本占总成本费用比等指标，具体用哪些指标需要企业自己选择，所以不同企业可能有不同算法。
其次是统计口径没有标准。比如，最常见的劳动生产率，有些企业的统计口径是以与公司签订了劳动合同的员工来计算，有些企业则会将派遣员工合并计算，还有些企业可能会将外包业务的员工也统计进来。
老梁：咱们人力资源的数据确实存在这种问题，统计指标倒是多，但选用哪些指标，用什么口径来统计，每个企业的做法可能都不同，这的确是一个让人头疼的问题。
老梁：经理，现在不是已经进入大数据时代了吗，那么人力资源的数据分析属于大数据吗，能应用大数据的分析方法吗？
Miss陈：人力资源的数据还算不上大数据，至少在咱们公司还没达到这个量级。大数据的特点是数据量大，达到TB甚至PB级别。1TB的理论值等于1024GB，你想想咱们公司的人力资源数据有这么大的体量吗？大数据要用专门的工具来管理和分析，比如用Hadoop（分布式系统架构）来管理，而我们的数据更多是用Excel来管理，从这点上看我们公司的人力资源数据也不是大数据。
老梁：哦，看来咱们没跟上大数据的趋势啊！
Miss陈：虽然咱们的数据量级算不上大数据，但也可以跟上大数据的步伐，咱们做不到形似，但可以做到神似。
老梁：您不是说咱们的数据算不上大数据吗，那怎么能做到神似呢？
Miss陈：这和大数据的特点有关系，我们先来看看大数据的特点吧。大数据包括五个基本方面的内容。
（1）数据挖掘算法：大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学地呈现出数据本身具备的特点，也正是因为使用这些被全世界统计学家所公认的各种统计方法，才能深入数据内部，挖掘出数据的价值；也正是因为有这些数据挖掘的算法，才能更快速地处理大数据。如果一个算法要花上好几年才能得出结论，那大数据的价值也就无从说起了。
（2）预测分析能力：大数据分析最重要的应用领域之一就是预测性分析，从大数据中挖掘出数据的特点，建立科学的模型，之后便可以通过模型带入新的数据，从而对可能发生的事情进行预测。
（3）可视化分析：大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观地呈现大数据的特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。
（4）数据质量和数据管理：大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实性和有价值。
（5）语义引擎：大数据分析广泛应用于网络数据挖掘，可从用户的搜索关键词、标签关键词或其他输入语义，分析、判断用户需求，从而实现更好的用户体验和广告匹配。
明白了吗？数据挖掘算法、预测分析能力、可视化分析这三项其实是大数据的精髓，是反映数据价值的关键。通过数据挖掘、预测和呈现，才能充分发挥数据的价值。而这三项其实和数据的大小没有太大关系，即便是咱们公司的小数据，也可以进行数据挖掘、预测分析和可视化。
老梁：哦，这是用了大数据的思想。
Miss陈：是的。咱们再从技术上看一下吧，大数据用到的技术包括以下几个方面。
（1）数据采集：将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
（2）数据存取：存取数据的工具包括关系数据库、NOSQL（泛指非关系型数据库）等。
（3）基础架构：云存储、分布式文件存储等。
（4）数据处理：通过自然语言处理让计算机“理解”自然语言。
（5）统计分析：假设检验、显著性检验、差异分析、相关分析、T检验、方差分析、卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析（最优尺度分析）、Bootstrap技术，等等。
（6）数据挖掘：分类、估计、预测、相关性分组或关联规则、聚类、描述和可视化、复杂数据类型挖掘（Text，Web，图形图像，视频，音频等）。
（7）模型预测：预测模型、机器学习、建模仿真。
（8）结果呈现：云计算、标签云、关系图等。
以上大数据所用到的技术中，数据处理、统计分析、数据挖掘、模型预测、结果呈现都可以用在小数据上，也就是说可以用于人力资源数据分析中。
老梁：这么看来，虽然大数据的特点是数据量巨大，但是数据处理、统计分析、数据挖掘、模型预测、结果呈现等技术并不是大数据专用。明白了，咱们的确可以借鉴大数据的思想和技术，用于人力资源的数据分析，实际上还是赶上了大数据的潮流啊。
Miss陈：是的。
Miss陈：人力资源的数据分析还存在一些难点，这些难点会对我们的数据分析工作造成障碍。
老梁：是什么难点呢？
Miss陈：首先是收集数据存在一定难度。之前说了人力资源数据具有分散性，这种分散性导致了收集数据存在困难。比如，我们进行人力资源效能分析的时候，需要收集公司的经营数据，包括合同量、工作量、收入、利润等数据，如果要做预测分析还需要历史经营数据，这需要向市场部和财务部取数，需要这两个部门的配合和支持，而且这些数据并不是现成的，需要花一些时间来统计，往往不能及时拿到，或不能拿到准确的数据。
老梁：还好，咱们公司的市场部和财务部挺配合咱们的工作，只要是出于工作原因，需要的数据基本都可以取到。当然有时候不能立即得到数据，因为有些数据他们也需要时间来统计，不过已经足够好了。
Miss陈：是的，我们公司还好。不过听说有一些企业的经营数据可不是那么容易获取的，这和部门之间的沟通、协作程度有关系，协作程度不高的部门取数是比较麻烦的事情。
再比如我们进行薪酬公平性分析时，需要取外部的薪酬数据来对标，而这类薪酬数据没有现成的，在互联网上也很难搜索到，即使搜索到了也不敢轻易使用，因为不能保证数据的真实性。所以，薪酬数据一般需要向咨询公司购买。比较麻烦的是不同咨询公司的薪酬数据也不一定相同，这是由咨询公司薪酬调查的方法、取样范围和区域不同等因素造成的。所以对于咨询公司出卖的薪酬数据，我们还需要明确数据的调查对象、调查范围和区域、调查方法等，以此才能决定是否能购买访该数据。
老梁：听上去的确比较麻烦。
Miss陈：此外，获取人力资源的历史数据也有一定难度。人力资源管理往往重视数据的时效性，对当期数据比较敏感，很多分析是基于当期或同比数据，对更早的历史数据往往忽视，以致保存不周。在需要历史数据的时候难以短时间内获得，经常东拼西凑地寻找，花费了不少时间。
老梁：历史数据很重要吗？
Miss陈：当然重要，数据挖掘中的很多算法都需要历史数据，比如回归分析，就需要大量的历史数据才能建立回归模型，进行分析和预测。
老梁：哦，真没意识到，看来咱们得定期整理历史数据，妥善保存，说不定哪天就能派上用场。
Miss陈：进行人力资源数据分析还有一个很大的障碍，就是人力资源管理人员本身的数据分析能力还不够高。
老梁：惭愧，俺也做了十多年人力资源管理工作，的确还不太会进行数据分析。不过也有客观原因，我在大学里没有学过数据分析，没有学过统计学，工作后也没有参加过相关培训，无从学起啊。
Miss陈：是的，这不是你一个人的问题，大多数人力资源管理人员都存在这个问题，正是这些客观原因造成了人力资源管理人员中掌握数据分析技能的人很少。随着计算机技术的发展，统计技术和工具的普及，以及大数据时代的到来，人力资源管理人员也要顺应当前发展趋势，主动学习和掌握一定的数据分析知识和技能，并将其应用到人力资源管理的实践中来，创造出人力资源管理领域的新天地，提升人力资源管理的水平，帮助企业更好地运作，实现经营目标。
老梁：经理，我和同事们一定会加强数据分析知识、工具的学习，提升我们的数据分析水平，提升我们的人力资源管理水平。
Miss陈：好的，我们一起努力吧！
