活用人力数据创造管理价值

活用人力数据

，

创造管理价值懂数据

，

会分析

，

支持经营决策u人

力

资

源

数

量

o—•

可以作为在同一个行业内企业规模大小的重要衡量指标•

对人力资源数量的数据呈现：基本上都是直接以一个非

常明显的总数呈现为主u员工类别•

按序列分为：生产序列、营销序列、研发系列、职能系列、管理系列

•员工类别数据可以作为我们区分这家企业属于

什么类型企业的重要数据•

对于员工类别的呈现

，

以柱状图为主u员工素质•员工受教育情况和培训情况

，如学历等•

如今科研或者高新技术企业

，跟以往的制造型企业相比

，

这方面差异稍微大一些•员工素质分布

，尤其学历数据

，

以往一般采用梯形图或

金字塔结构呈现

，现采用饼图居多u年龄结构•

公司人员的年龄分布情况

，根据年龄结构得出公

司人员的平均年龄及整体趋势分布情况•

年龄结构的划分早些时期按年龄阶段比例划分

，

现在大部分按照组别划分较多•年龄结构的呈现

，

以前用金字塔形式呈现较多

，

现在用柱状图、饼图多u职位结构•

反映公司内部管理人员和非管理人员的比例结构

，是每家企业都绕不开的一个基盘数据•

传统企业不多数职位结构不会相差太大•

新兴企业追求小而美

，管理扁平化

，只为结构出现了多元化状态•

职位结构一般用饼图呈现较多1什么

是

人

力

资

源的

基

盘

数

据人力资源基盘数据——用来反映我们所在企业人力资源基础信息的

，包含的内容相对比较丰富。员工类别与业务战略之间的关系n

例如：原本将近60%的生产序列人数逐渐减少，那么也就意味着公司可能发生了几种状况：•

公司生产环节的现代化和自动化水平在提高

，甚至是智能化的变革；•

公司生产环节开始弱化

，公司业务重心发生转2人

力

资

源的

基

盘

数

据

使

用

场

景人力资源数量与业务量之间的关系n

人力资源数量的增加

，原则上业务体量也将得到增加；反之

，业务量增加

，是否首先也要考虑人员的增加

，这两者之间有什么关联？通过这几种基盘数据与相对应对的结果可能存在的关系

，让我们看到了基盘数据变化可能反映的企业经营管理变化的多种可能性

，这是基于人力资源数据的基本分析

，我们要开始逐步建立起这样的逻辑。

员工素质公司效能之间的关系

n

员工素质的提升

，大概率会对公司的效能产生正向提升作用n

反之

，效能提升一定是员工素质提升带来的结果吗？员工年龄变化与企业活力之间的关系n

企业活力的四个指标：获利能力、成长能力、适应能力和凝聚力n

需要从正向和反向去考虑年龄变化与企业活力之间的必然性和可能性职位结构与公司管理水平之间的关系n

如果管理人员比例上升

，意味着什么？n

如果管理人员比例下降呢？又该如何去分析？05

01L_移

，可能以研发或者销售为重心。030204如

：月度人力资源数据报表期末如

：年度经营相关数据统计汇总✅我们要有可比较的有效数据✅两个关键词：一个是可比较

，另一个是有效第上一个关键词：

可比较数据之所以能够反应信息被我们进行分析

，是因为它们在一定时间周期内都在发生变化

，这个时间周期

，在企业经营管理过程中我们称之为：期初和期末。也就是大家所听到的期初数据和期末数据。3如

何

对

人

力

资

源

基

础

数

据

进

行

分

析期

初一个月一周如

：周计划安排一年3.1基

础

数

据

分

析

—

—

基

础

数

据，我

们

该怎么

分

析案例:人力资源基础

数

据中的人力资

源

数量

这

个

数

据人力资源数量员工素质相关3.1数

据

进

行

分

析

—

—

基

础

数

据，我

们

该怎么

分

析u这两类数据

，基本以接近线性或者准线性数据为主；u这类数据我们更多是基于期初和期末数据获得一条趋势线

，基于趋势线就有了相应的分析和判断

，也就有了可深入去挖掘的空间•

学历变化•

在当下背景下

，更多的会是学历提升的变化•

主要关注员工团队是年轻化还是老龄化员工年龄结构案例:员工素质

和人员

结

构这

两类

数

据3.1基

础

数

据

分

析

—

—

基

础

数

据，我

们

该怎么

分

析例：

类似图表中的数据

，

通过期初和期末的连线

，

能明显看到公司里面本科和硕士研究生都在同步增长

，

且硕士研究生增长幅度大于本科；大专学历明显下降。背后原因我们就可以去分析一下

，是在职员工进行了学历提升还是人员更换频繁导致的。案例:员工素质

和人员

结

构这

两类

数

据案例:管理

人员

占比数据u

管理人员的占比变化

，在企业里很少会经常去关注

，这

一类别数据变化波动不会特别大。u

对于这种相对稳定的数据

，我们该如何体现其期初和期

末呢？例如下面的一组管理人员数据这刚才我们讲的都是数据分析过程中最基础的一个知识

，就是我们要先去设定期初数据和期末数据

，让数据形成数据流

，可比较。通过鼠标右键点击数据点添加趋势线以后

，发现：3.1基

础

数

据

分

析

—

—

基

础

数

据，我

们

该怎么

分

析第二个关键词：

有效数据如果不真实

，分析失去意义！如

：最近大家熟悉的某上市公司数据造假

，包含经营数据、高管的个人信息等。数据一旦参假

，导致投资人、股民对公司未来的发展判断失误

，最终导致投资决策失误。既然是通过数据分析做决策支持

，就要保证这些数据是真实有效的。3.1基

础

数

据

分

析

—

—

基

础

数

据，我

们

该怎么

分

析保证是真实有效的数据✅我们要有可比较的有效数据✅两个关键词：

一个是可比较

，

另一个是有效?我们在准备对人力资源基础数据进行分析前

，

先要锁定想要分析的数据是哪

个周期或哪个阶段的数据。然后

，

我们还要对数据进

行筛选

，

或者用专业的话

讲就是进行数据清洗

，

找到我们所需要的真实有效

的数据。3.1基

础

数

据

分

析

—

—

基

础

数

据，我

们

该怎么

分

析✅对于人力资源基础数据

，主要来源于我们新员工入职资料。第一大类：

定量分析——统计分组法统计分组法——把公司里人力资源的原始数据进行分组归类

，分组归来后把同一类的数据归纳在一起

，然后再进行统计。人事台账✅对于人力资源基础数据的分析方法我们可以分为定量分析和定性分析两大类。3.

2基

础

数

据

分

析

—

—

人

力

资

源

基

础

数

据的

分

析

方

法第一层：

数量层面数量层面相对比较简单

，我们能看到公司的总人数有多少

，公司有哪些部门

，每个部门的人数分别是多少

，每一个类别细分后的人数又是多少

，公司各细分类别的汇总人数是多少......比如：下表这家公司总人数56人；各个部门的人数分别是......3.

2基

础

数

据

分

析

—

—

人

力

资

源

基

础

数

据的

分

析

方

法第二层：

数据结构层面当看完一遍这些不同类别的数量以后

，大多数小伙伴接下来就会关注每个大类别下面细分类别的占比或者比重分别是什么样的。比如：总裁办的男女比例；运营中心男女比例；又如：年龄大类3.

2基

础

数

据

分

析

—

—

人

力

资

源

基

础

数

据的

分

析

方

法第三层：

数据关联层面当发现数据结构不合常规

，那我们就需要更多的数据验证。如下表的年龄结构不合常规

，我们就该去关注他们的整个部门整体绩效、

团队活力、

团队创新力等等

，寻找更多的关联数据

，找到其中的关联影响。3.

2基

础

数

据

分

析

—

—

人

力

资

源

基

础

数

据的

分

析

方

法✅这三个层次

，

我们可以把它定位为定量数据分析

“

三部曲”。第二大类：

定性分析•

综合法是事情还没有到出现结果的时候

，但是我已经把所有的这些原始数据都拿到了

，对这些原始数据

，要去判断或预测

，未来可能会出现什么样的结果或其发展趋势。•

所以综合法

，我也把它称为：

由因导果；根据原因去推测结果。分析法•就是我们在经营过程中

，某个问题出来后

，我们去找原因。这个原因假如我就放在直接从我们人力资源基础数据上来找

，那就是带着那个问题

，我们对着那张表来分析可能是因为什么原因导致的。•我也把它称为：执果索因；根据结果找原因

，这样比较好记。3.

2基

础

数

据

分

析

—

—

人

力

资

源

基

础

数

据的

分

析

方

法人力资源基础数据的定性分析方法

，

常用的是分析法和综合法。定性分析的这两种方法相对简单

，是一个思考问题的逻辑。0102综合法案例

：通过人力资源基础数据台账我们能发现什么上一期我们已经对人力资源基盘数据台账有了一个全新的认知。现在我们来看一下台账里的数据密码

，

通过人力资源基础数据台账

，

我们能够发现什么？4寻

找台

帐

里的

密

码4

寻

找台帐

里的

密

码当我们面对这样一张表格的时候

，这张表能干什么？要看什么？该从哪里开始看？4寻

找台

帐

里的

密

码牢记：

人力资源基础数据的定量分析三部曲第一步：

看表面数量牢记：

人力资源基础数据的定量分析三部曲第二步：

看数据结构比如说第一个：4寻

找台

帐

里的

密

码牢记：

人力资源基础数据的定量分析三部曲第二步：

看数据结构再比如说第二个：4寻

找台

帐

里的

密

码牢记：

人力资源基础数据的定量分析三部曲第二步：

看数据结构再比如说第三个：4寻

找台

帐

里的

密

码4寻

找台

帐

里的

密

码牢记：

人力资源基础数据的定量分析三部曲第三步：

看数据关联牢记：

人力资源基础数据的定量分析三部曲第三步：

看数据关联我们先来看华东大区的年龄结构数据：4寻

找台

帐

里的

密

码华东大区整个团队总共有38人

，和华南大区一样

，

属于五个大区里人数最多的。我们来看华东大区的年龄结构组成：

25岁及以下的6个人

25~30岁的13个人

30~35岁的15个人

35~40岁的4个人

40岁以上没有我们为了更直观的去感受这里面的占比和分布情况

，

我们可以变换一些数据表达方式。4寻

找台

帐

里的

密

码比如说像华东大区的年龄结构

，

我们就可以用饼图来表述一下他的年龄结构比例是什么样的：但光一个饼图

，能够满足吗？不要忘记年龄有一个特殊属性——时间基因

，

它是会随着时间的变化而变化。当个我们用线性图来表达它又会怎么样呢？

们感觉到强烈的后继乏力的味道。通过这个线性图

，我们就能够直观的感受到华东大区业务团队的年龄结构形状大概是什么样的

，

中间比较大

，两头比较小

，

当然什么形状大家可以自己去想象

，如果你要想象一下它的形状的话

，你可以转个90度

，把40岁以上那个尖顶放在上面；那么另外

，我们还要通过它的轮廓线去看一下

，这个团队的年龄变化趋势会是什么样的。

随着年龄增长人数自然减少

，这个其实没有问题；但是在新人这一端

，却让我4寻

找台

帐

里的

密

码4寻

找台

帐

里的

密

码那我们再来对比一个团队

，我们看一下人数同样为38人的华南大区的年龄结构：华南大区整个团队总共也是38人

，和刚才的华东大区一样。我们来看华南大区的年龄结构组成：

25岁及以下的16个人

25~30岁的15个人

30~35岁的6个人

35~40岁的1个人

40岁以上同样没有4寻

找台

帐

里的

密

码我们同样也用饼图来表达：线性图出来

，我们的感觉也就来了

，相对自然的一个流水线型

，随着年龄的增加

，呈现一定比例的减少。而且我们还能够强烈的感觉到

，这个团队里30岁以下人员的庞大键盘数

，让整个团队感觉很有动力

，底盘很扎实。整个形状给人感觉就像铆钉一样

，很有攻击性。4寻

找台

帐

里的

密

码我们再进一步来看

，也同样用线性图来表达：4寻

找台

帐

里的

密

码通过两组数据比较

，我们隐约能感受到两个团队一上一下的变化趋势

，那么这背后体现的是什么？现在我们将两个团队的线性图放在一起比较：华北大区的年龄结构组成：

华北大区总共是35人

，

比华东和华南稍微少一些。

25岁及以下的7个人

25~30岁的10个人

30~35岁的12个人

35~40岁的6个人

40岁以上同样没有4寻

找台

帐

里的

密

码华北大区的年龄结构：4寻

找台

帐

里的

密

码同样可以用饼图和线性图呈现一下：我们看到线性图的确很接近华东大区

，所以当华东大区和华北大区两个团队的年龄结构数据放在一起时

，我们就需要借助更多的数据来进一步分析了

，因为两个的年龄数据结构很相似。4寻

找台

帐

里的

密

码我们将华北大区和华东大区两个团队数据放在一起相比较：4寻

找台

帐

里的

密

码西北大区总共是23人

，和后面的华中大区是一样

，属于人同样少的两个团队。再看一组西北大区的年龄结构数据：西北大区的年龄结构组成：

25岁及以下的6个人

25~30岁的13个人

30~35岁的3个人

35~40岁的1个人

40岁以上同样没有通过饼图

，我们发现西北大区和之前那几个大区还不大一样，25~30岁的占到了57%

，超过了团队一半人数。而且这个年龄段

又是处于倒数第二个年龄段

，或许西北大区是个新成立的团队吧。4寻

找台

帐

里的

密

码4寻

找台

帐

里的

密

码通过线性图

，我们也能看出来整体结构比较单薄。华中大区的年龄结构组成：

华中大区总共也是23人

，和前面的西北大区一样。

25岁及以下的8个人

25~30岁的7个人

30~35岁的5个人

35~40岁的3个人

40岁以上同样没有4寻

找台

帐

里的

密

码最后一个就是华中大区的年龄结构数据：我们同样还是先看饼图：

让我们对华中大区这个团队有了一些好奇。4寻

找台

帐

里的

密

码通过饼图我们居然看到了很有规律分布的状态

，这我们在看线性图：看到华中大区的年龄结构线性图

，大家是不是突然觉得好顺滑的感觉。不考虑其它因素和团队属性

，单纯这个年龄结构

，就是很理想的一个团队。这个就和我们前面讨论了半天的华南大区年龄结构就有点相似了。4寻

找台

帐

里的

密

码和华南大区不同的是

，华中大区这个年龄结构的轮廓弧度是往外的

，团队整体还是包容性会强一些

，人员减少更多是偏向自然流失；如果这个轮廓弧度往里收的

，说明团队可能会主动去进行年龄干预

，也就是主动优化的味道会浓一些。4寻

找台

帐

里的

密

码我们将华南大区和华中大区两个区域的年龄数据线性图放在一起比较：通过这样一个案例分析

，我们看到了这个过程中

，其实数据的比例计算、增减幅度计算等那都是最起码的

，我们真正核心的是我们基于这些数据的比较和变化

，进行了各种预判、推测

，

以及各种可能性的假想

，这个是分析的真正起源

，正是因为有了这些预判、推测、假想

，我们才有了想要获取更多关联数据去进行验证的动力

，只要被验证

，那就有了结论；有了结论

，很自然的也就有了解决方案。4寻

找台

帐

里的

密

码报告的主题要明确•标题：如“关于员工年龄结构变化对公司人效影响的分析报告”•正文开头：如“鉴于公司今年陆续新增年轻员工

，使得员工年龄结构整体开始呈现年轻化趋势

，为进一步判断年龄结构变化对公司人效的影响情况

，特进行专题分析。”报告所涉及的原始数据、基础信息等要真实有效•用表单、

图表把这些相关数据进行呈现

，期初、期末、反映变化的过程数据

，先不对数据做任何分析•在呈现过程中

，可针对单个类别的数据

，从期初到期末变化

，进行简单的描述性分析

，为后面的关联分析进行铺垫确保数据真实有效、获取路径正当严谨

，有据可循；非道听途说、毫无根据甚至是猜想。能够找到归口部门或官方发布信息。一旦数据被质疑

，报告就失去了意义。5如

何写

好

人

力

资

源

基

础

数

据

分

析

报

告

—

—

格

式这样的一份报告

，应该包含哪些内容呢？

分析的方法要科学

，分析的路径要严谨•

数据的同比、环比等相关比较性分析环比数量增加：本期数据－

上期数据同比数量增加：本期数据－

上年同期数据环比倍率增加：本期数据÷上期数据×100%同比倍率增加：本期数据÷上年同期数据×100%环比增长：（本期数据－

上期数据）

÷上期数据×100%同比增长：（本期数据－

上年同期