数据

再先进的管理理念、再好的管理思路，如果没有有效的管理工具作为支撑，管理就是泛泛而谈，就是落不了地的理念。同样，在管理中，如果你无法衡量他，你就无法管理他，更难以做出科学、合理的决策。

在各行各业都在谈论大数据的背景下，好多人力资源管理者觉得大数据不食人间烟火，对于我们来说总是遥不可及，所以人力资源管理者往往自身面临尴尬局面，既想通过人力资源数据管理实现人力资源管理的价值，但又没有有效的数据挖掘及分析途径。其实所有的大数据都是由“小数据”汇集而成。所以，我们HR要做的就是要用大数据的思维，基于公司战略和业务发展的考虑，从“小数据”的统计和分析入手。

第一层次：描述性数据分析 

人力资源描述性数据反映了公司当下的人力资源现状，体现了目前公司人才的数量、质量和竞争力，是公司人力资源供需分析和规划的基础。目前一些中大型集团企业，由于规模大、层级多、地域分散，众多分子公司时时刻刻都存在人员流动，企业所掌握的数据往往滞后，每次摸家底都劳师动众，而普查之后一段时间又重新面临数据老化、滞后的问题；而一些小型企业，又可能由于缺乏必要的统计指标体系，造成数据严重残缺不全。在这种情况下，想要实时掌握公司整体情况根本不可能。

因此，很多企业正是在这一需求驱动下，引进 e-HR系统，确立人力资源管理指标体系，进行初始数据收集整理，建立起最初的人力资源管理数据平台。另外，在 e-HR系统中，各种业务流程结合数据表单能够自动驱动各种数据的变更，比如通过薪酬调整流程，某一员工薪酬晋级后的薪酬标准会自动更新；换言之，业务流程保证了基础数据的及时性，两者相辅相依。

宏景系统统计表

薪资总额统计表

基于这些数据，企业可以进行大量的人力资源管理数据描述分析，诸如对员工年龄、性别、学历、专业、部门、岗位等指标进行的各类统计分析以及多维度的交叉分析等等；还可以对这些指标进行纵向分析，从多个时点数据的演进发展变化过程来发现问题和趋势。企业中的大多数报表都属于描述性数据分析，特别是对于中大型集团企业，数据承担着总部决策支撑的作用，只要企业规模达到一定程度，数据统计和更新的工作量将远远超出想象，只有将这看似简单的工作扎实、持续的推进下去，建立起多年的历史数据，才能够给企业人力资源管理提供巨大的支撑。

第二层次：过程性数据分析 

在描述性数据层次更多的侧重于结果数据，而事实上，在企业人力资源管理的过程中会产生大量的动态的过程数据，并且结果性数据往往会忽略掉大量有用信息，比如，对于某一岗位的招聘而言，如果只看结果性信息，那么只是招聘了多少人、是否完成了招聘计划；而实际上，这些结果信息并不足以全面体现招聘的有效性，还必须通过大量的过程数据如投递简历数量、通过初步筛选的简历数量、通知面试的到场数量、通过第一轮面试的数量等才能更完整地体现招聘过程。但是，在现实的人力资源管理中，大量的过程性数据收集成本更高，以至于虽然很多分析在理论上较为成熟，但实际上却无法落地，比如上面所举的招聘过程的例子，应聘比、录用比等指标显然能够更精细化更深入地反应招聘工作中的问题，但实际上很少有企业能够如此全面系统地收集过程数据，其结果自然是各种人力资源管理决策依据不足。

招聘数据统计​

​在第一层次上 e-HR的建立或许还有讨论的空间，而在这一阶段， e-HR系统的引进已经成为刚需。正是在大量复杂的人力资源管理日常业务中， e-HR系统自动、全面地记录了各种人力资源管理过程数据，为后续进一步的分析决策提供有效地支撑。如果做一个形象的比喻，结果性数据就像是一张照片，而过程性数据则是一段视频；照片反映的是某一时点上的静态切片，而视频反映的则是某一时段上动态过程。两者所记录信息的完整性、反映情况的全面性的区别是显然的。

过程数据的分析可以应用到人力资源管理的各个模块中，在这一层面的分析中，没有如第一层次结果性数据既定或相对明确的分析模型，而是需要企业人力资源管理者根据自身的管理需要去创造性地开发分析模型。例如，对于企业员工流失的分析，按照传统的描述性分析方法，只能描述流失人员的部门、年龄、工龄、学历等的统计结果；而如果将大量的过程性数据引入进来，那么就可以对每一个员工从招聘开始的全部人力资源管理数据进行分析，员工流失可能是最近的薪酬调整没有达到其期望，或是绩效评价结果对其的打击，也可能是员工能力提升较快，遇到了个人职业发展的天花板等种种原因，从而找到管理优化的路径。

第三层次：推断性数据分析 

     如果在前两个层面达到了较好的应用结果，那么接下来企业就可以进入更高层面的推断性数据分析。所谓推断性数据分析，不仅仅是描述结果和展现过程，更是基于大量的数据分析预见性地提出管理建议，这就是所谓的“上医医未病之病，中医医欲起之病，下医医已病之病”。比如，可以通过大量的数据分析对可能的员工离职做出预警，这些数据可以包括员工的考勤数据、绩效数据等结果数据，还包括直接管理者对其的绩效过程跟踪辅导、以及相应的岗位晋升、薪酬调整等决策信息；进一步，还可以将该员工相关的大量的外部非结构化信息整合进来，比如在微博、微信上发布的各类与工作相关的信息，在招聘网站上进行的简历更新，以及各类社交网站上的信息动态等。如果建立起这样一个多维度的动态的全面的数据分析平台的话，那么可以相信对员工的行为趋向分析应当是较为准确的。

当然，要形成如此全面的数据分析一方面有待技术平台的升级，也有待于对员工信息获取的授权。但是，如果从目前可行的角度来看，也有很多改善的空间。比如，很多企业已经建立起相对完善的业绩考核系统，也有很多企业在探索进行潜能和价值观的评价，那么就可以根据业绩和潜能构建起能效九宫格（如下图），那么处于不同业绩和潜能等级上的员工就落入到相应的象限内，从而可以采取相应的管理措施。进一步，如果将一定周期内（如两年）员工多次业绩和潜能评价构成的能效九宫格象限位置变化形成的路径进行分析的话，那么我们就可以对员工得出非常准确的评价，从而进一步提高人力资源配置的有效性。

九宫格​

企业对于人力资源管理数据的利用，要遵循从低层次向高层次逐步发展的规律，如果企业连基本的描述性数据都无法掌握，而奢望进行推断性数据利用，那么只能是望洋兴叹、可望不可及了。特别是一些 e-HR建设基础尚未起步或者较为薄弱的企业，从最基本的描述性数据起步，扎实推进更为实际。当然，这也对 e-HR系统的性能提出了更为严苛的要求，系统需要能够灵活地设置各类指标，能够完整地记录业务流程中形成的过程数据，也要支持在系统内便利地建立分析模型，因此 e-HR系统必然更加强调灵活性和开放性，而且这种灵活性和开放性包含了允许其他分析工具或 BI在此平台上进行集成和数据挖掘。

所以，相比成熟的财务数据而言，尚未被有效开发的人力资源数据蕴藏着巨大的能量，人力资源想要创造价值就要充分发挥数据管理的价值，数据时代，如何用数据说话、用数据决策，这将是企业应该持续关注的课题。