“所有关于人的决定都应该以数据和分析为依据。” —— 谷歌人力资源数据分析团队座右铭

近几年来，“人力资源数字化”是非常火的一个概念，大体的逻辑是指从人力资源效能出发，依据数字化技术，将不同模块的评价指标体系在数据化的统计方法下，实现人力资源管理状态的全面感知和提前预判。欧美一大批科技企业如谷歌等均在大力推行。

谷歌首席人才官拉斯洛•博克曾于2015年出版《重新定义团队：谷歌如何工作》一书揭秘谷歌的全套工作法则。作为屡次蝉联美国“最佳雇主”和职场人士最向往的工作地之一的谷歌，自有其一套选人、用人、培养人才的团队管理法，毫无疑问，正如书中所指出的那样，从数据入手去分析和制定规则/制度是其中行之有效的手段之一。

人力资源数据分析实操流程

虽然制度健全的大企业也许做人力资源数据分析会更得心应手，但其实这并非大企业的专属，对于不同规模和类型的企业来说，逐步实施以下几个步骤都可以从不同层面和维度去进行人力资源数据分析。

基于业务重要性，确定分析指标

不同的企业可能存在不同的问题，这也导致了不同企业的人力资源数据分析指标不尽相同。麦肯锡曾撰文指出，很多企业忽视了这一步的重要性，导致分析的结果并没有很好解决对应的问题。值得注意的是，人力资源数据分析必须基于实际的业务问题切入，进行综合分析，不适合单独分析。

举个例子，一家营收出现停滞的餐饮连锁企业在内部研讨之后发现，对他们来说，首要分析的指标是：每家店的收入增长、平均客户满意度和平均服务速度（后两个指标以具体班次衡量，确保可以跟踪到具体的执行人/负责人）。在这些业务问题的背后，企业可能会发现根本性的问题。

而另一家品牌企业在经过内部调研和沟通之后发现，品牌无法触达更多的消费群体主要是因为企业内部缺乏文化多样性和沟通透明度。因此，企业决定从员工群体多样性、薪资公平度、管理层结构等维度入手分析解决。

收集相关数据，保持可视性和时效性，建立长期数据库

简单的数据收集也许很快就能完成，但通常来说，如果需要解决企业内部的各项问题，数据收集也需要多部门联动，是一项费时费力和需要团队协作的工作。

以上述餐饮连锁企业为例，需要收集的数据有几个类别：

入职选择的员工：除了经验、资历还要包括人格特质。部分企业领导者认为人格特质可能是解释不同渠道和班次表现差异的重要因素，而之前该企业并未重视这块数据的收集。在数据收集完成之后，企业与心理专家和数据专家展开合作分析，借此构建员工个人性格和认知技能的档案数据库。员工行为：餐饮企业的员工主要工作环境就是餐厅。企业通过部署传感器可以捕捉到个体员工在餐厅里实际移动的速度、他们交谈的语气，以及与同事和顾客交谈和倾听的时间等。在这些数据上，企业可以进一步对个体员工的能力进行分析，从而做出判断。日常管理数据：主要是各门店的环境管理与领导管理相关数据，用来判断管理数据对门店的影响，也可借此了解相关的企业文化对业务的影响等。

简言之，在进行数据分析之初，需要尽可能从多元的渠道收集数据。在收集了合适的数据之后，企业可以选择对部分特定指标进行集成，从而形成多维的分析模型（动态静态、心理分析等），并在此基础上创建相关的报告和数据库（比如基于部门/个人等）。

值得注意的是，重点数据需要保持时效性和可视性，比如何时应该更新、如何提升数据质量/多样性、何时对何部门（比如管理层）进行数据公开等等。这些可以由企业内部具体去商讨决定，从而定时定量实施。

确定/设立企业内部的数据专家，并尽可能科技化、数字化

企业内部的人力数据分析专家是负责管理数据、并基于数据分析提出建议的员工。这是一个问题解决者的岗位，通过数据将各式问题/挑战转变为可以量化、分析、检验的假设和决策，并帮助企业采取相应的措施和行动。对于很多企业来说，人力资源负责人可能是这个岗位的最佳人选。

在科技化驱动的今天，通过传统手段处理大量数据可能显得不太现实和高效。大部分有能力的企业都会选择广泛应用数字化手段来应对。比如，一家大型企业在确定年度晋升名额的时候，可能需要同时关注地理位置、性别、经验和绩效考核，通过数字化看板等科技手段可以大大提升效率。

按照数据分析的结果，做出对应的改变

以上述餐饮连锁企业为例，在进行数据分析之后，企业做出了相应的调整：

调整管理层：分析数据显示，不同门店的管理层在塑造团队和日常管理方面有着差异，通过调整管理层，更好的去授权和激励员工以提升门店的营收业绩。修改轮班制：该企业发现，员工在8-10小时的轮班中，工作表现明显较差，因为员工在工作6小时后精力显著下降。这也是许多餐馆的常态，长时间的轮班虽然方便通勤和简化日程安排，但损害了生产力。企业因此调整了轮班的时间和安排。

在进行人力资源数据分析的4个月后，该餐饮企业的顾客满意度提升了100%，营收也实现了5%的增长。

人力资源数据分析重点指标一览

对于不同类型和规模的企业，人力资源数据分析的指标必然有不同的倾斜和侧重，但过去很多企业的经验显示，仍然有一些普适性的重点指标值得每一家企业去关注和留意。

人才流动与招聘层面

填补一个组织/企业内部的空缺职位通常耗时耗钱。美国人力资源管理协会(SHRM)编制的报告显示，企业需要平均36天填补一个空缺职位，每名员工的成本接近4500美元。如何通过提升企业内部文化降低人才流动率，如何通过在第一次就聘用一名“正确”的员工，降低企业招聘成本，我们提供了一些可供参考的数据指标。

早期入职员工流动率（即Early Staff Turnover）

在研究很多成功的大型企业时，不难发现一个现象，即早期入职的员工流动率通常能在很长一段时间内保持较低的水平，甚至很多早期入职的员工已经在一段时间之后身居企业要职。相反，如果一家企业在成立之初就有很高的员工流动率，那么这家企业的招聘或者入职过程很可能存在一些问题。

该指标可以有助于改善企业内部文化，了解企业内部招聘/入职等流程中的问题，降低企业用人的成本。

（针对部门/管理层的）员工流动率（即Staff Turnover for Individual Managers）“人们辞职，是离开管理他们的人，而不是离开他们的工作。”

领英曾进行过一项研究，发现拥有强大管理团队的企业往往比拥有一般管理团队的企业的员工流动率低得多。当一家企业部分部门/管理层治下的员工流动率过高，也许问题很可能就出在该部门的管理团队上（比如可能存在沟通方式欠佳、工作分配不合理等问题）。在合适的时候调整管理层也是能发现企业关键问题的。

平均雇佣成本（即Cost Per Hire）

该指标主要衡量企业在招聘新员工时所花费的平均财务成本。计算方法是(所有外部成本+所有内部成本)/（总数一段时间内的雇佣情况）。在企业的不同发展阶段，该指标对于企业预算设定和招聘有效性具有指导意义。

平均任职时长（即Average Tenure）

该指标主要测算员工在企业/组织中工作的平均时间。计算方法是总任职时长/员工总数。顾名思义，一个流动率高的企业/组织，员工平均任职时长较短，反之亦然。对于企业来说，应当尽可能提高核心部门员工的平均任职时长，因为他们更有经验，相对产出也更高，处于成长扩张期的企业更应该如此。如果员工普遍任职时长较短，那么也许是时候投入更多留住人才，比如打造内部培训体系、个性化的福利制度等。

薪酬绩效层面

从企业的业务和人才结合角度去看，薪酬绩效相关的指标有其不可忽视的重要性。如何更好、更高效的激励（留住）对企业有贡献的人才，也许从以下一些指标中可以窥见一些端倪。

绩效平均评分（PAR即Performance Average Rating）

该指标适用于衡量组织中部门/员工的整体和个体绩效。组织需要选取合适的绩效指标，通常按1-5进行绩效打分，如果不使用权重，每个部门/员工都会获得相应的平均评分。绩效平均评分越高，部门/员工表现就越好。这个指标更适合用来比较同一个部门内不同的员工。

每员工收益（RPE即Revenue-Per-Employee）

该指标是对组织盈利能力的衡量。它衡量的是每个员工为企业创造/带来了多少收益，计算方法是用年度总收益除以当年员工人数。这个比率越高，企业就越赚钱。当然，这个指标可以用来比较不同的企业，甚至一个企业内不同的部门。通常来说，每员工收益越高的企业部门值得获得更好的绩效和更高的薪酬。

员工生产率（EPR 即Employee Productivity Rate）

这是衡量员工生产力的一个指标。计算方法是用一周工作的总小时数除以这段时间内工作的员工数，再乘以100得到百分数。这可以让企业知道员工在工作上花费了多少时间，是用作评估绩效的一个指标。该指标主要帮助企业了解他们的人效如何，是否需要雇佣更多或更少的人来达到预期的结果。

升职/加薪的平均时间（Average Time on Promotion or Pay Raise）

该指标的计算方法是通过统计个体员工升职/加薪的总时间除以升职/加薪的总次数得到平均时间。如果一个员工升职/加薪的平均时间越短，那么这个员工对企业的价值就越大，越值得激励。如果不及时进行薪酬绩效的调整，这样的员工很可能会流失。

任务完成率（ETCR即Employee Task Completion Rate）

该指标是指员工在给定时间内完成的工作的百分比。它可以通过以下方法计算：将指定时间段内(例如一个月或一个季度)所有员工完成的任务数除以相同时间段内为这些员工分配的任务总数。该指标可以对团队内个人员工的能力/工作表现进行深入了解，及时发现问题，并合理制定对应的绩效薪酬。从更大的范围看，该指标也有助于企业其他决策，比如内部培训、是否需要招聘新员工等等。

Josh Bersin Academy对企业人力资源数据分析能力进行了这样的等级分类（从低到高）：

1级：企业关注数据和分析工具，但人力资源数据分析主要以按需为主。2级：人力资源部门主动进行数据分析汇报，为决策提供信息。企业可以使用数据来识别趋势，并发现文化或绩效管理方面的问题。3级：人力资源数据分析可以提高生产力。在这个层次上，数据分析可以用来对组织结构的变化提出具体建议。4级：组织/企业使用数据分析来对应不同的具体场景。

这个等级分类有助于各企业在进行人力资源数据分析之前，找准自己的定位，并在此基础之上开始合适的数据分析。比如，如果一家企业从未从未做过人力资源数据分析，那么可能先对相关的人员进行培训是第一步。而如果一家企业已经通过人力资源数据分析改革了组织结构，那么，企业也许可以更进一步推进人力资源数据分析在多场景下的落地。

参考文章：https://www.mckinsey.com/business-functions/quantumblack/our-insights/using-people-analytics-to-drive-business-performance-a-case-studyhttps://www.charthop.com/resources/blog/people-analytics/implement-people-analytics/

https://www.chrmp.com/hr-analytics-12-hr-metrics-to-drive-employee-productivity-in-your-organization/#:~:text=Analytics%20and%20Metrics%20in%20payroll%20decides%20this%20aspect,that%20they%20may%20get%20paid%20for%20overtime%20hours.

https://intellihr.com/insights/key-hr-metrics-to-track#cost-per-hire

人力资源和业务结合是时下当仁不让的大趋势。如何在经济衰退的大潮之下提升人效，是每个企业都需要考虑的问题。通过人力资源战略与企业经营战略的结合，能有效推进企业的发展，实现长期的调整和优化。

组知是国内首个从“人力 x 业务”场景出发的数据决策解决方案提供商，目前已拥有100+自研量化数据分析模型。基于人力和业务交叉的具体场景和高频需求，组知以“轻咨询 + SaaS”的模式，为企业级客户提供低成本、高效、安全、数据驱动的智慧解决方案和最佳实践。

组知与微软和美世咨询的量化人力专家深度合作，通过中国人力资源开发研究会、国投人力、科锐国际的人力专家组成的资深智库支持，深入企业细分业务场景定位，优化企业战略和劳动力模型，助力企业实现更优的业务效果。

后台私信预约免费咨询，及时获取人效提升密码。