蜜蜂学堂系列课——如何成为一名数据型HR的第一节的笔记。
HR用数据支持决策
讲师：李黎丽（前埃森哲人力数据中心负责人）
前言
1 为什么人力资源数据不是大数据？
数据量
大数据一般要求数据量达到一定的量级，比如百万级，但人力资源数据相对较少。
时效性
大数据对数据的实时性要求较高，比如滴滴/淘宝每天都会产生上千万的数据量。但人力资源数据相对固定，对时效性要求不高。
多样性
大数据格式比较多样，比如文字/图片/视频/音频/网站浏览痕迹等。但人力资源数据形式相对单一，一般就是在人事系统中的考评/招聘数据等。
可疑性
大数据允许数据有偏差，甚至是缺失，但不影响整体的规律或趋势。但人力资源数据要求尽量精确，因为这涉及到每一个员工的切身利益。
2 使用人力资源数据的挑战性
数据来源不兼容
数据来源不一样，有些在招聘系统里，有些在考评系统里，有的在绩效系统里，有的在出勤系统里。数据难以整合和比较。
分析方法没有大的变革
一直沿用70年代的方法，事实上一般EXCEL可以基本就能解决问题，用不到数据挖掘等工具和方法，或者说这些方法目前并不成熟。
数据不完善和不准确
保密性
人力资源数据比较敏感，一般只有几个人知道，如果这几个人不想去做分析，或者没有能力去做分析的话，那么数据没能被充分利用起来。
今晚内容
决策分类
基于数据的决策大体可分两种：
系统决策（综合分析）
整个人力资源体系会有很多指标和数据，如何根据这些数据，引领人力资源体系或组织的变革，作出符合战略的决策。
项目决策（定向分析）
目前有一个单一问题，没有上升到体系层面，用数据分析的方法找到答案。做出决策。
让Boss或者Leader知道我们的决策是建立在对数据严谨的分析之上的，我们会更有权威性和说服力。
根据德勤2016年人力资本报告：目前全球真正拥有HR数据分析，决策，预测的企业可能不到8%！
HR数据分析常用指标
HR数据分析常用的指标有：
组织指标
人数，FTE，全职/兼职，经营/开发/职能人员结构
例子：一个组织是有价值链的，确保每个价值链产生价值的人员与组织的比例是匹配的，如果公司的价值链的价值产生是生产环节，而职能人员的比率却很高，这可能就组织不健康的表现，或者是有意而为之的特殊变革。
人工成本
人工的成本有没有和业务的增长保持同步？或者超出了业务增长？我们的人均利润如何？人工的成本也是诊断我们的组织是否健康，营业能力是否强的指标。
例子： 咨询公司，每个顾问都有可计时的工费，我们的工作时间是不是由客户来承担？
男女比率/教育程度/年纪/服务年限
例子： 根据已有的男女比例或者年龄比例不健康，下一年的招聘计划就应该做相应的调整。
层级比例/汇报线数
一个公司的层级比例一般是金字塔型的，具体到一些行业或部门也有例外。
例子：一般外企，一个经理会管7~8个人，多的不超过15个人，如果一个经理只管了3~4个人，那么经理的作用是没有完全发挥的。
管理幅度/HR支持比
有的公司，一个HR可以支持一百个人，但有些劳动密集型的公司，一个HR可能要支持500人。不同的支持比也取决于HR在管理中的角色和参与度。这个比例需要根据自己公司的现状制定。
敬业度
敬业度代表了员工的工作动力和冲劲，如果敬业度不高就要去找原因，是招的人出了问题，还是激励系统出了问题，还是公司文化宣导做的不够？找出原因和解决方案。
人才指标
高绩效/高潜人才比例
注意人才的类型比例，如果高绩效/高潜人才比例不高，就应该做一些人才储备工作。
高绩效/高潜层级分布
这些高绩效/高潜人才是全部分布在某一个层级，比如高层，还是均匀分布在各个层级？
例子： 如果高绩效/高潜人才都分布在初级level的小朋友，那么就要采取以战养兵的方法，让他们到实践中去锻炼，去轮岗，很快有职业上的提升。如果高绩效/高潜人才都分布在高级员工中，可以开展“继任者计划”，发掘底层员工。
HR的管理是一个生态链，做的每一件事并不是单纯的培养人才，或者开展“继任者计划”，所有的决策和行动都是息息相关的，是对整个组织的观察做出的。
离职指标
离职率（主动离职，被动离职）/人才流向
离职率要进一步细分，比如主/被动离职，同时还要关注人才的流向，是不是到了竞争对手那里，还是有了新生的行业跟我们抢占人才。
被动离职成本
被动离职成本有多高？是由什么引起的？是不是在我们的承受范围之内？是因为这个人招的不好？还是进来之后我们培养的不好？这些问题的答案可以给我们带来反思。
关键人才离职率/高绩效人才离职率
还需要对离职做聚焦，看关键人才离职率/高绩效人才离职率和我们的平均离职率的关系，是不是那些高潜高绩效的人才都走了，而表现平平的人却不流动？
离职原因分析/离职员工年限的分析
比如工作压力大，导致部分女性员工离职；或者因为对新组织架构的不适应，一些老员工纷纷离职。是客观原因还是管理原因，这些分析可以带给我们很多思考。
招聘指标
招聘总成本/招聘平均成本
招聘渠道，渠道有效性，渠道成本
根据数据得到各个渠道的招聘有效性和成本，将重点放在两到三个渠道上面，是不断择优的过程。
招聘时长
新员工2年表现跟踪，招聘经理满意度，新员工满意度
要持续跟踪新员工的表现，并调研各方满意度
待招岗位，候选人入职比，申请比例
雇主品牌的差异，谷歌po一个职位可能有几千份申请，而一些小公司只有几个人，并且质量不高。可以通过多年来的多维数据来分析我们的雇主品牌是否在提高，工作是否有成果。
出勤指标
一些国企和传统行业比较关注，但互联网现在比较少关注。
培训指标
培训费用与预算比例
课程完成率/必修课完成率
线上与线下培训时间
如果大家反映线上课程的效果比较好，那么明年可以将一些重要课程放到线上。根据数据来支撑决策。
培训后效果转化（结合绩效考核，技能考核，员工敬业度）
结合绩效等，对培训效果做考核，看有没有达到预期。
上面的指标是常用的，但也可以根据自己的具体业务和现状，把这些指标掰细揉碎，或者组合。业务没有指标不是好业务，HR没有指标也不能说我们做的特别好，没有指标就看不到我们的增长和努力，分析也没支撑。
好的分析要看比例比率，有比较，有标杆，才能得出有说服性的结论
总结HR的数据分两类：
经营相关的数据（公司相关的）
人均销售收入，人均利润，人事费用率，人工成本总额，人工成本构成，人均人工成本等指标数据，数据的变化趋势，行业数据对比分析。
HR管理效能相关数据（HR自己的）
招聘达成率，各类培训覆盖率，培训计划达成率，离职率，离职人员结构等（时间，数量，质量，成本，满意度）
京东人事管理表格
普华永道人力数据管理方案
百度人力资源数据
百度HR服务展示平台
服务平台的两个端口：1）一个给员工做服务 2）BI（dashboard）做数据展示
总结
以上就是关于数据体系的一些介绍。
首先确定所有可用的数据库
由于各部门之间的独立性，数据来源可能有障碍，需要决策和管理层的支持，得到他们的帮助以获取需要的数据。如果很困难，也可以先从手边的小事做起，做一些有趣的分析，证明其有效性，让老板知道，接着可以开展大项目。
明确与战略挂钩的个人指标
根据自己的情况，选择自己关注的HR指标。比如从人力资源的基本管理（HRC），我们可能关注效率与效能；从HR的管理指标（HRM）来看，我们可能更关注人才，组织，敬业度等。
寻找对标对象和对标方向
同行比效率；标杆学管理
对比方法
横比：跟别人比
环比：跟自己比。有历史数据，比较容易
定向决策（定向分析）
可以自己做一些尝试。关键训练三点：
- 数据敏感度
- 梳理分析各个维度和要素
- 挖掘原因，支持决策