文|任康磊
人力资源的量化管理、数据分析、人事仪表盘这些工具都是被大家热议的概念,有的HR苦苦追寻,费劲千辛万苦做出来的结果、建立起来的工具,最后变得中看不中用。HR们!千万不要让量化、数据、仪表盘这些东西绑架了我们的头脑,分析的逻辑、思维和方法才是最重要的。
我有一位HR朋友,工作经验丰富,业务能力很强,忠诚度也很高,领导对他很满意。于是他被公司一级一级的提拔成了人力资源经理。成了经理以后啊,领导开始要求他做各种各样的人力资源分析报告,而且一定要数据说话!
但是我这位朋友做出来的分析报告领导却并不满意。为了这个问题,我这位朋友向我求助过多次。我问他,你都怎么做的报告呀?然后很快呢,他就给我发过来一份儿他报告的样子。
截止到2017年12月31日,公司共有员工2857人。
其中男性员工有1819人,占职工总人数的64%;女性员工有1038人,占职工总人数的36%。
公司职工的平均年龄为35岁,其中30岁以下的职工人数为1115人,占职工总人数的39%;31到40岁的职工人数为715人,占职工总人数的25%;41到50岁的职工人数为628人,占职工总人数的22%;50岁以上的职工人数为399人,占职工总人数的14%。
从文化程度看,公司研究生以上学历的职工人数为57人,占职工总人数的2%;本科学历的职工人数为229人,占职工总人数的8%;专科学历的职工人数为544人,占职工总人数的19%;高中及中专学历的职工人数为1199人,占职工总人数的42%;初中及以下学历的职工人数为828人,占职工总人数的29%。
从岗位分布看,高层管理人员7人,占职工总人数的0.2%;销售人员共有49人,占职工总人数的1.7%;行政财务及管理人员439人,占职工总人数的15.4%;生产一线人员共有2362人,占职工总人数的82.7%。
从司龄分布看,入职不满1年的职工人数为602人,占职工总人数的21%;入职1-3年的职工人数为997人,占职工总人数的35%;入职3-5年的职工人数为714人,占职工总人数的25%;入职5年以上的职工人数为544人,占职工总人数的19%。……
就是现在图片上的这个样子。
怎么样,看到这里您有什么感受?有没有看出问题所在?
有朋友说,是哪里的数字算的不对吗?我仔细算了算没有啊?数字都对呀?
有朋友说,问题是文字太多了吧?应该少一些文字,多一些图形。
这里呢,咱们默认这个报告后面,是有根据文字绘制的大量图表或者人事仪表盘存在的,大家可以自行脑补。由于我比较懒,就不再画这些中看不中用的图了。
那还有什么问题?
有朋友说那就没有了,我平时也都这么做的报告啊?
确实啊,有许多公司的人力资源分析报告都是这么做的,难怪许多HR都看不出问题。
这种报告怎么来的?通常都是老板说
你们人力资源部能不能别总把自己当文员啊!要量化管理!要数据分析!
于是呢,HR们很无奈。
好吧,你说要分析,那我就分析吧。
结果就出现了这样的报告。
然后和老板说,你看,现在我们有详细的量化管理和分析报告了吧?
可是当老板看到这种报告后一般都非常不满意。
这也是当下许多HR面临的问题,想要做人力资源量化管理和数据分析,但是却不会。
那么,这类分析报告的核心问题到底在哪里呢?
在于,没有用!
什么叫没有用?
比如,报告开头说:
男性占比64%,女性占比36%,这两个数字是是公司希望看到的?还是不希望看到的?
比如30岁以下的职工有39%,50岁以上的职工有14%,这两个比例是好呢?还是不好呢?
比如研究生以上学历的人有57人,初中以下的人数有828人,这个两个数字是高还是低呢?
所有的这些数字背后是要说明或者解决一个什么样的问题?这些核心的东西反而没有说出来。
有的只是大量的罗列数字,当然还有的报告,有丰富的表格、柱状图、饼状图、折线图等等一大堆图表,看得人是眼花缭乱。可最后,什么问题都没有解决。做得再丰富,也改变不了,这是一本“流水账”的本质!
这种数据分析是没有思想和灵魂的!
老板当然不会满意!因为没有给他解决任何问题!没有给他产生任何价值啊!
我们总结下来,HR在量化管理和数据分析方面常犯的错误,可以归纳为四项:
1.为了量化而量化,结果导致只有数据,没有分析;
2.为了数据而数据,结果导致有了分析,没有结论;
3.为了分析而分析,结果导致有了结论,没有行动;
4.为了报告而报告,结果导致有了行动,没有评估。
用数据来陈述一个事实没有任何意义,对数据加工分析之后,发现问题所在,形成行动方案,对行动结果有进一步的分析和评估才是一个完整的有价值的数据分析!
通过这样的数据分析,我们才有可能为企业:
提高效益和效率,降低成本和风险
另外,HR对数据分析和量化管理的认识还存在许多误区。
比如,有的朋友认为数据分析就一定要数字、表格或者图形“多”才叫数据分析。
有的朋友认为分析的过程越繁琐、越复杂、越是让人一眼看不明白,越代表了数据分析的质量高。
有这样理解的朋友绝对是对数据分析的一种曲解。
在这里我们先讲几点对人力资源量化管理和数据分析的认识。
首先数据其实不仅指的是数字,
数据其实代表的是一种对企业来说有价值、可处理的信息。这里的信息可以是数字,可以是文字,也可以是图形。
其次,分析也绝不是越“高大上”越好,相反的,许多对企业来说,往往那些有效的分析其实原理并不繁琐,呈现出来的结果也不复杂。原理和逻辑对了,往往能给人带来一目了然的效果。
第三呢,数据分析的目的是为了解决问题,而不只是为了作报告
第四,数据分析的指向应该总是要达到某个目标的。
只要能够通过对信息的加工处理,实现某个目标,解决某个问题,那就是好的数据分析。
反之,如果不能实现某个目标、解决某类问题,说白了就是没用,那就不叫好的数据分析,或者干脆不能称其为分析!
拿前面的报告举个例子,男性占比64%,女性占比36%,这两个数字是是公司希望看到的?还是不希望看到的?
我们引入一个行业和市场情况判断
第一个信息是:如果该公司所在的产业是某类精密电子零部件的生产加工,因为有部分的手工操作,非常适合女性工作者;
第二个信息是:行业协会的数据和企业实践也证明了,女性工作者的劳动效率平均比男性工作者高30%;
第三个信息是:最大的竞争对手企业中女性劳动者占比是60%,而且根据调研数据,竞争对手的劳动效率明显高于我们企业。
有了这三项信息作为条件之后,这个时候,我们是不是就可以判断,企业目前的男性占比64%,女性占比36%的结构,应该考虑逐步的调整了。
那么,应该采取什么行动方案呢?
有人说我马上裁员!裁掉男性!马上大批量招聘女性劳动者!
这种行动方案显然太过简单粗暴,而且在短期内,可能会大量增加企业的成本,降低效率。无论是从成本角度,效率角度,还是社会形象的角度,长远来看,对企业都是不利的。
该怎么办呢?
我们可以先了解一下劳动者的自然流失速度,做一个人力结构调整计划。比如,现在每年操作工的流失率是20%。假如我从年初开始,每年流失的一线操作工全部用女性劳动者来补充。
那么,理论上大约用2年的时间,就能达到男性劳动者和女性劳动者的占比达到4:6。也就是和我们最大的竞争对手一致。
这个行动方案,看起来就是靠谱的。
在方案实施的过程中呢,我么可以再持续不断的调整和评估。
当然刚才的分析思路,只是一个非常简单的演示。其实还有很多问题我们没有考虑。
比如,我们回到上面的问题,到底4:6的比男女比例,是不是就是效率最高的男女比例呢?
答案是:不一定!
还需要根据企业岗位设置的具体情况,做进一步细分的评估。也就是,判断每个岗位,更适合男性劳动者,还是更适合女性劳动者。将他们加和之后计算出的比例,才是最优的男女比例。
再比如,经过计算,男性与女性的比例是4:6就是效率最高的男女比例。我们公司的男女比例,现在恰好达到了4:6。那现在是不是就可以说我们公司的男女劳动力的性别比例已经达到了效率最高呢?
答案还是:不一定!
因为有可能,有很多男性劳动者实际上从事着更适合女性劳动者工作的岗位。
同样的,有很多女性劳动者实际上从事着更适合男性劳动者工作的岗位。
只不过是,男女比例的数字加总之后,恰好是4:6
所以我们从大的纬度来看,企业的男女比达到4:6,表面上是,达到了效率最高
但是细分的分析之后,很可能并不是这样
所以要真正找到问题,数据分析也应细化到相应的维度。
同样的道理,前面案例中讲的,年龄、司龄、学历这些信息,也可以用同样的思路和方法来分析找到问题,形成方案,采取行动,持续评估!
按照这种方法进行的数据分析,已经不是简单的罗列大量数字,做出一大堆好看的图表或仪表盘,而是真正深入的分析问题和解决问题。
所以,我们稍微总结一下,前面我其实主要讲了两方面的内容。
第一方面,是人力资源量化管理和数据分析的正确思路是什么?
一共可以分成三部分
第一部分,是明确我们为什么要分析?
数据分析的方法和工具固然重要,但分析的目的、目标和思路更重要。我们一定要明确到底想通过分析说明什么问题?想解决什么问题?或者想预防什么风险?分析指向的第一目标是行动,终极目标一定是提升企业的价值。
第二部分,搞清楚我们应该分析什么?
在这里我们要明确应该选择哪些指标分析,确定朝哪个方向分析。将待解决的问题按照重要性排序。最终形成方案和计划,并实施行动。
第三部分,我们要学会怎么分析?
在这个部分,我们要明确分析的频率,哪些以月为单位,哪些按季度、那些以年为单位,那些可以不定期分析。我们要找到恰当的分析工具,选用准确的分析方法。同时,我们要有后续的跟踪和评估。
第二个方面,是人力资源量化管理和数据分析的正确方法是什么?
我们总结前面提到的,一共可以分成四个步骤。
找到问题
形成方案
采取行动
持续评估
这里的思路和方法,总结起来很简单,看起来很容易。
但真正用的时候有时候也很容易被大家忽略。
有时候我们即便已经掌握了,常常也忘了用。
这里再告诉大家一个能够持续运用的小技巧:
当要验证分析报告中的数据是否有价值的时候,可以对着报告中罗列的不同数据或事实,不断地问自己三个字:“然后呢?”
当“然后”开始指向问题,指向行动,并最终指向为组织带来效益的时候,就证明报告中的数据是有价值的。
最后,如果大家想要通过量化管理体现自己的工作价值,想要通过数据分析提升自己的工作效能,想要了解更多更实用的人力资源量化管理和数据分析方法。欢迎订阅我的专栏,2018年3月份,我将会出一套《人力资源量化管理与数据分析》的系列课程,助您玩转人力资源数据分析。这套课程将至少包括七个层面的主题。
第一个主题是关于如何提高招聘效率。这一节我们要探讨如何判断不同招聘方式的有效性和效率?哪种招聘方式是既经济又有效的?通过这一主题,我们能够快速通过数据分析得出结论和行动方案,来提高我们的招聘效率。
第二个主题是关于如何减少员工的流失。这一节我们将探讨如何进行人才离职分析,如何进行离职原因分析以及如何进行人才离职后的流向分析,我们还会特别探讨一下,如何进行前员工的管理。通过这一主题,我们不仅能够有效减低员工的流失率,而且能让员工即便在离职后还能继续为企业创造价值。
第三个主题是关于如何提升培训效能的。在这个主题中,我们将探讨如何有效的进行培训需求调研分析。如何有效分析并实施培训计划。以及如何进行培训效果的跟踪和评估。通过这一节的学习,我们能够通过数据分析发现当前培训的工作问题所在,让培训的效果显著提高。
第四个主题是关于做好人才盘点的。在这个主题中,我们会探讨人才盘点的策略,人才盘点的工具以及公司的人才结构都有哪些类型和改善措施。通过这一节的探讨,我们从此能够通过数据分析玩转人才盘点。
第五个主题是关于如何制定薪酬规划。在这个主题中,我们会探讨薪酬的几种分析方法、薪酬的几类分析模型,以及根据公司战略和薪酬分析我们该如何进行薪酬规划。这一节之后,我们将对薪酬数据分析有一个全新的认识。
第六个主题是关于如何设计绩效方案。在这一主题中,我们会探讨如何进行绩效结果的分析以及如何应用绩效结果。通过这一节的探讨,我们能够通过绩效数据分析快速发现在绩效方案的制定和实施上,哪些部门是我们应该重点关注的,哪些事情是需要改善的,有效提高组织绩效。
第七个主题是探讨我们如何防止被数据、图表欺骗及误导。在这一主题中,我们将看到各种的数字、比率、柱状图、雷达图和错误的分析方法是如何误导我们的。如果我们不注意,很容易做出错误的决策,采取错误的行动,有时候可能会导致严重的后果。要真正学会量化管理和数据分析方法,这一节我们必须了解。
可以说,通过量化管理和数据分析,提高人力资源管理效能的方法,都在这里。
最后,祝大家都能够成为专业的、卓越的人力资源管理者!
PS:如果不会自己做人事仪表盘的话,那就交给2号人事部吧,多种精美图表,想用哪个选哪个,同时加上解析一键抄送报告老板,我们的工作就是这么高效!还在等什么?快点击这里预约免费使用吧~
点击这里订阅,第一时间获取更多好文。本作品系原创,转载须获得授权
任康磊,MBA,曾任世界500强、国内大型A股上市公司HRD。注册国际高级职业经理人(ACI认证),国际注册高级职业培训师(AIVCA认证)、国家高级人力资源管理师、国家高级心理咨询师、国家职业生涯规划师、大学生实习就业指导师、亚太人才资本研究院专家特聘讲师、三茅网百人计划导师。十余年人力资源从业和管理实战经验,专注于解决人力资源管理实操问题。著有:《精进之路:千万年薪的秘密》。任康磊的人力资源管理课,愿与您一同成长。
37楼 Brooke07338
学习用数据说话,提升HR管理工作的科学性。期待更多的干货。。。。。
36楼 张春代
期待任老师的课程
35楼 心想事成的樱花17030722
期待你的课程
34楼 阿东1976刘世东
#赞赏# 向任老师学习!数据的有效性利用!
33楼 易水云
谢谢分享
32楼 春眠
学习
31楼 如沏茶
图文并茂,直观,感谢
30楼 saleema
感谢分享。
29楼 HZT开心
厉害了!
28楼 爽鱼儿1006
谢谢分享 学习了
27楼 皮诺曹16197
谢谢老师的指点,受益多多
26楼 黄海柳
#赞赏# 超用心的分享!
25楼 板凳随身带
以前做报告分析,是量化工作,其实是在把问题呈现,没有去实际去解决问题和跟踪问题。报告其实也在为工作量化风险。
24楼 南极冰棒
谢谢老师的指点分享,学习条理与思路~
23楼 南极冰棒
谢谢老师的指点分享,学习条理与思路~
22楼 月无倾
找到问题,形成方案,采取行动,持续评估。
21楼 刚强众生
每日学习,终有收获。
20楼 梓芙
感谢老师的分享!
19楼 骄傲无可救药
数据分析最终的目的是分析问题,解决问题,数字只是描述事实。写得非常好,很有启发。
得水
@骄傲无可救药:确实是,回顾自己的实际操作,过多的陷入了数据的堆砌与展示形式上,本末倒置的忽略了对问题的分析及评估。
18楼 tanwinwin
感谢老师!
12下一页