人力分析的三个段位，看看你到哪一层了？

数据分析不是简单的数据收集、整理、分析，它的目的在于通过对数据进行科学的挖掘分析，发现其中的价值，这个过程通常被称为知识发现KDD（Knowledge Discovery in Database）。具体来说，是从数据到信息，再到知识，最后到智慧，是一个DIKW（Data - Information - Knowledge - Wisdom）金字塔模型（由Jeniffer Rowly在2007年提出）。

△DIKW模型

最底层的数据是没有加工和解释过的原始记录，是分散和孤立的，需要系统组织、整理和分析之后，才能找出数据之间的联系，形成信息，数据和信息都是客观存在的。

在数据和信息基础之上，人们可以提炼出知识，知识体现了信息的本质、原则和经验，能够积极地知道任务的执行与管理，进行决策和解决问题。

最高层则是智慧，智慧是在知识的基础上，形成的对事物的深刻认识和远见，体现为一种卓越的判断力，并有次采取策略和行动。知识和智慧都包含了智能的主观意识。

如果从数据分析的功能和目的来分，则有三个层次，分别是描述性分析（Descriptive）、预测性分析（Predictive）和处方性分析（Prescriptive）。

描述性分析

包含数据和信息层，对客观事实进行描述，分析得出的结果要能回答Who、What、Where、When这一层面的问题。

预测性分析

主要在知识层面，运用统计、建模、数据挖掘等技术，从数据中发掘规律，并对未来做出预测，分析结果要能回答How和Why层面的问题。

处方性分析

属于智慧层面，基于前一阶段分析的结果，提出建议、解决方案和决策选项，除了数据之外，还需要通盘考虑问题的背景、组织战略、商业规则等。

人力资源天然适合数据分析，因为公司运营过程中储存了大量的人力资源相关数据，比如：

人员结构数据：员工总数、关键人才人数、离职率、员工类型/学历/年龄分布等;

招聘相关数据：待招岗位数、招聘渠道、岗位空缺、简历数量、关键岗位平均空缺时间等;

薪酬相关数据：不同岗位序列/职级员工平均薪资水平、薪酬/福利总额、月人均薪酬、薪酬增长率等

……

当然，可以挖掘的人才、组织相关数据远不止这些。

数据背后隐藏着巨大的价值，比如招聘渠道的有效性、人才梯队的完整度、员工离职背后的成因等，只要HR用心去挖掘，就能有所发现，进而有所行动。

按照以上对数据分析三个层次的划分，人力分析数据同样可分为三个层次：

描述性分析：传统的人力资源分析指标，比如员工流动率、招聘成本、雇员人数等等，很多HR的报表目前就是出于描述性分析的层面

预测性分析：在描述性分析的基础上，通过统计、建模、数据挖掘等方法，对公司人才、组织的未来发展进行预测，比如员工离职预测等

处方性分析：为组织与人才发展提供决策依据，比如制定人才战略、搭建人才梯队、推动组织优化等

从描述性到预测性，再到处方性分析，人力分析的难度越来越高，需要投入的人力、技术越来越多，另一方面，HR参与业务的程度也越来越高，因而对企业的价值也随之提升。

接下来，我们来看看预测性分析和处方性分析在具体的人力资源场景下是如何应用的。

首先来看个例子：

IBM从2009年开始引入AI离职预测，分析员工离职原因，并根据员工的各类数据，预测哪些员工离职风险高，给管理者发送提醒。

研究表明，员工离职往往是提前半年就开始酝酿，如果在员工已经提离职再去挽留，已经为时过晚。如果能提前预测并及时干预，那么将减少员工离职概率。IBM离职预测运行10年期间，至少为公司节省了3亿美金的成本。

要想做好员工离职预测，可以从两个方面来做思考：

1. 特征提炼：通过大数据挖掘员工离职的原因是什么？离职员工身上有什么共同的特质？

首先，确定分析维度，可粗略分为内部与外部因素，内部因素可能包括基本信息（比如年龄、司龄等）、薪酬福利、晋升转岗、培训发展、绩效考核、员工满意度调查数据，外部因素包括经济环境、行业发展、市场机会等。基于确定好的数据维度，对已离职员工的关键数据进行统计、分析，提炼出离职员工的共同特征。

每个维度下，有很多具体的数据值得分析，比如什么年龄段的员工离职率比较高，什么招聘渠道来的员工离职率高，薪酬与员工离职是否有直接关系，等等。

△图片来自互联网

收集好数据之后，可借助逻辑回归模型、决策树模型、AFT模型算法模型，找到各个因素之间，哪些是显著正相关或负相关，同时对各个因素与离职倾向进行相关性分析，算出相关指标的离职指数，最终建立数据模型，并通过现有数据进行机器学习和模型验证。

2. 离职预警：哪些员工有离职倾向？

根据制定出来的离职预测模型，制定相关数据字段，比如加薪时间、晋升时间、请假时长、加班信息、奖惩信息等，对每个员工的数据进行收集。

接下来，就可以利用数据模型计算出每个员工一定时间段内离职的概率，比如3个月内的离职可能，6个月内离职可能，HR通知直线经理进行提早干预。

举个例子，百度的TIC团队（Baidu Talent Intelligence Centre，百度人才智库）建立了一套智能化人才管理综合解决方案，其中就包括离职预测，通过收集公司内外部的数据，包括来自社交媒体和互联网的舆情信息和文本，建立了包含经济、职业发展和个人家庭原因等数百个动态特征的90天离职预测模型，预测准确率达到了90%以上。在2015年进行的一次离职预测中，TIC分析出了离职指数最高的前30名员工，3个月内其中29人提出了离职申请。

组织如果出了问题，管理层往往很难在日常工作中察觉，往往隐藏在组织与人才的方方面面，比如企业战略的上传下达是否到位？员工满意度高不高？组织氛围如何？……

这些问题往往很难快速找到答案，传统的单模块的调研其实并不能解决问题，需要进行全盘分析，从中找到答案。

为了帮助企业更加全面、科学地进行组织诊断，e成科技为企业提供了决胜力模型，明确清晰的战略方向、多样的领导风格和正向积极的组织氛围，全面助力企业了解战略执行力、组织战斗力、领导鼓舞力。

△决胜力模型

每一个模块都有不同的侧重点。

企业战略效能表现是否突出？

战略执行力有3个维度：卓越运营、客户亲密度和创新。一般企业会侧重其中某个维度，作为自己的核心战略，目的是打造差异化竞争优势。

在数据收集开始前，需要根据企业核心战略选择高绩效组织模型。调研数据收集完毕后，系统会将调研数据与模型数据对比分析，自动生成调研报告。

△“客户亲密”导向的战略执行力高绩效组织模型（样例）

系统自动生成的调研报告会根据员工不同的职能、职级进行进一步数据处理，突出显示哪些职能/职级的员工对公司战略方向不甚了解，帮助企业对症下药，定向输出。

完成调研的员工数据都会经过数据分析，自动落入组织战斗力四象限图中。

△组织战斗力四象限（样例）

像前文提到的Google团队的项目，领导风格与员工绩效之间有明显的相关关系。

一个成熟的领导者，应当能够准确判断每个员工的发展阶段，并在管理下属时自如切换不同的领导风格，最终形成一个鼓励员工追求高绩效的组织氛围。

基于领导鼓舞力调研，组织可以得到领导风格：

△6种常见领导风格（样例）

以及组织氛围：

△组织气候6大元素对绩效的影响（样例）

除了内部数据，领导鼓舞力还会考虑行业常模数据，为企业提供标杆参考。

领导鼓舞力调研的总体结果会以一张5×4的表格呈现，表格里会给出企业当前的落位以及标杆企业的落位。

△领导鼓舞力对标模型（样例）

处方性分析最终的目的在于给出解决方案或者决策建议。在数据分析结束后，HR需要根据挖掘出的组织问题制定改进目标和行动计划。

如果企业需要支持，e成科技的咨询顾问团队也可以提供支持，基于累计多年的企业管理运营经验，定制对标模型、诊断组织症结、给出改进方案，帮助企业留住高质量关键人才并提高绩效，赋能企业人才资产增值。

人力分析的目的不在于陈列数据，只有在岗人数、平均薪酬这样割裂的数据是没有意义的，HR应当努力挖掘各数据因素之间的关联，找出与目标关联度最大的因素，并且预测未来的需求与人才走向，为组织和业务提供切实可行的解决方案。

这才是人力分析真正的意义。

参考资料：《人力资源大数据应用实践：模型、技术、应用场景》

作者：王爱敏、王崇良、黄秋钧

e成科技作为国内领先的人力资本数字化平台，是DHR（Digital HR）的践行者与创新者，目前已形成了人力资本数字化平台、一线人才生产力平台、AI开放平台为支柱的三大产品矩阵，赋能多重场景，为企业提供数字化、智能化、信息化、自动化的人力资本服务。e成科技始终秉持" 服务2亿一线职场用户"的愿景，将“科技助力人才升级”作为自身使命不懈奋斗。返回搜狐，查看更多