专家团|蒋祎:跬步千里,从专题报告开始,做人力数据分析
相信现在所有的HR都认同,人力数据(People Analysitcs)可以被挖掘出新的价值。不少企业的人力部也已经认识到,有很多数据躺在电脑里,但未被充分利用。人力数据能用来干什么、该怎么用?很多HR却充满疑惑,并不清楚如何开始,从哪里开始。
Why?HR为什么要做数据分析?
数据分析是为了更好地决策!
提升决策水平,是数据分析的目的,也是之前提到的数字化的三大目标中最重要的一个。
决策需要的,不是罗列各种不同不痒的指标,而是方案建议。
建议的提出,应该依据数据分析中发现的观点,更时髦的说法,叫做“洞见”或者“洞察”(Insight)。
校园招聘中的例子
分析数据,解释数据,得出观点和建议,可能并不复杂。
招聘HR每天登录招聘系统,可以看到格式的报表和仪表盘:总简历数、本月新增简历数、应聘者学历等背景信息的分布、各阶段人数的漏斗图等等。
也包括这样一张每日简历新增数量的折线图:
(示例数据,非真实)
我们能看到它有一些起伏,但我们能看出什么观点,提出什么建议呢?我们需要结合其他数据和实际工作,进一步分析:
只是简单地加上了上年同期情况,就可以发现和上年同期相比,简历数已经成倍增长了,便不难得到观点:今年的简历总数大幅增加。
增加的原因,可能与我们吸取经验,提前布局了一系列推广活动有关。
再标注上各推广活动的日期,结合其他数据,我们可以看出各项活动对简历量的短期刺激作用;结合各项活动的成本投入,我们就能建议:哪些活动值得扩大,哪些活动不应该再做。
在整个校招期间,我们每天早上会发出一页PPT的数据报告,只有2-5张统计图表,每天都不同;只展示近期成果、显著变化等当时最被关心、对之后工作有指导意义的数据结果,分享给相关人员。
这是人力数据分析的一个非常简单的例子,没有复杂的方法与专业的工具,但亦能推动日常工作。
校招日报,就是一个人力数据分析的小主题。
主题分析,是我推荐HR走出的人力数据分析第一步,它能带来不少益处:
-
入门无障碍,用Excel透视图和PPT已经足够做很多分析
-
成果可见,分析的结论可以指导日常实际工作
-
在实战中,培养用数据思考、用数据讲故事的思维和能力
-
发现业务中的数据缺失、发现数据质量等问题,主动提出数字化、数据治理的需求,并理解这些工作的价值。
How?如何完成一次HR数据专题分析
大致的流程步骤如下:
一、提出业务问题,进行合理假设
人力数据分析,一定要回答HR管理中的问题、支持HR管理中的决策。业务问题,可以从这几个角度收集:
1.哪些决策是纯凭经验甚至拍脑袋的?
2. 工作中,你缺少哪些数据结论给自己撑腰?
3.自己的工作方向、方法是否正确?
4.你对哪些事情感到好奇?对哪些事情感到怀疑?
常怀好奇心和质疑精神,对于发现问题是非常重要的。
事实真的有那么好吗?事实真的是那么差吗?
比如前面校招的例子,可能你正为简历比去年同期成倍增长而高兴,而只要再从招聘岗位的维度细看一下,可能你就会发现,增长其实主要来自某一类岗位的暴涨,部分岗位甚至是负增长。
之后要对你的业务问题,提出假设,为你的数据收集和分析提供方向。
比如,我想分析离职倾向,提出这样一个假设:员工提离职前下班走得更早。
二、收集、整理相关数据
为了验证你的假设,你需要找出过往积累的原始数据。可能是各种台账、问卷结果、测评结果等等。
通常原始数据的颗粒度越小越好(是解聚的),如果你有某员工具体的每天下班时间,就不要使用他的每月平均下班时间来分析。
当你用Excel透视表做探索和分析,你的透视表需要基于一张二维表。二维表就是类似员工信息表那样的表,每一列都是一个字段(Field),每一行是一条记录(Record)。
为了完成分析、看得足够全面,你很可能需要将多张表合并成一张大表(通过Vlookup函数匹配)。
要验证准备离职的员工会提前下班的假设,你至少需要合并离职员工信息表、离职申请表和下班时间表。
整理数据的过程中,你很可能会发现,此前的数据是有缺失的。有多少数据就先做多少分析,这不是我们止步不前的理由。
你可能发现Vlookup并不顺利,各张表的业务口径、格式都有很多不同。这些都是需要整理和转换的,花在清理数据的时间很可能比分析数据还要多多,但这是必须的,也是值得的 。
确定各张表的业务口径,记录下转换逻辑,之后考虑用自动化的工具来处理。
三、探索数据特征、发现业务观点
探索数据的过程,你可以先简单理解为制作Excel透视表,并尝试不同的行、列、值、筛选条件组合,看看能不能发现一些特征。
透视表基于的大表中,定性的列(姓名、部门、入职年份等)被称为“维度”,定量的列(下班时间、加班时长、迟到早退次数等)被称为“度量”。
对于“维度”列,我们可以计数;
对于“度量”列,我们可以求和、求平均值、最大值、最小值、方差等。
除此之外,我们用Excel计算或作图,尝试发现“度量”的一些其他的数学特征,比如:
-
分布情况(集中或分散)
-
异常值
-
周期性
-
多个变量之间的相关性
之后,我们根据不同“维度”,再来细看,比较差异,发现特征;例如从部门维度来看,不同部门的人均下班时间差异大不大,不同部门的下班时间方差差异大不大。
“时间”同样是通常会拿来比较的维度,正入校招例子中的折线图。
我们说的“指标”,也可以看成特定维度和度量的计算和组和。
这样探索出来的结果,可能与你的假设相同,也有可能与你的假设相反,这都可以给你带来有价值的观点;然而更多时候,你的尝试可能并不能发现什么特征或规律。
例如,我们发现,疫情后,离职员工在提出离职前后的下班时间,与之前并无明显区别;下班时间和提出离职并没有明显的关联。这个有点反常识的结果也许令人失望,但我们同样可以得出观点:在判断离职倾向时,也许不必考虑下班时间的变化了。
在这一阶段,你也可以尝试更高阶的分析方法,比如聚类、线性回归、预测算法甚至机器学习算法;当然这也需要更专业的数据分析工具。
四、可视化数据,展示观点
制作图表,可以让读者更容易理解我们发现的数据特征,从而更容易接受我们依据数据特征提出的业务观点。
大致三个步骤:
-
确定我们要展示的观点,和读者/听众
-
确定要展示的数据特征
-
选择合适类型的图表
-
优化图表中的元素
虽然Excel可以一键插入“推荐的图表”,但实际上要做一张好的图表,有不少技巧。
你也许曾经见过下面这张阿伯拉(Andrew Abela)图表指南,但我们在选择图表类型时,它未必是最优解。
这部分内容,如果大家有兴趣,之后可以单独做一篇分享。
五、形成报告和行动建议
我们还需要将观点、支撑观点的数据图表整合成一份逻辑清晰的报告,并基于观点提出未来的行动建议,进行汇报,作为决策的参考依据。
人力数据分析探索与HR系统
回顾五个步骤,不难发现,人在探索数据、解释数据、提出建议中的作用似乎难以被自动化工具替代。但HR系统任然能起到重要的作用:
-
提供规范的原始数据
-
自动制作探索分析所需的“大表”
-
自动计算新观点相关的新指标,
我们在通过数据产生新观点时,很可能也会发现新的需要持续监测的指标,让系统来计算,加入到仪表盘中,能大大提升检测的效率。
通过专题分析发现的指标,组成的仪表盘,也比不痛不痒的“常用指标”更有工作指导价值。
人力数据分析探索与BI(商务智能)
BI(商务智能)软件可以通过互动式的图表,帮助你找出数据特征、分享业务观点;在人力数据分析的五个步骤中,均能带来提升。我最近一直在学习Tableau,有机会可以跟大家再做分享。
希望每一位HR都能开启自己的数据分析探索之旅!
本文来自微信公众号“JohnnyHCM”(ID:CloudHCM),作者:蒋祎,36氪经授权发布。