把数据分析用在人力资源量化管理上的打开方式

 

人力资源量化分析报告的核心问题到底在哪里呢？

 

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！

 

 

错误的数据分析就像是过家家

 

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

 

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。

 

 

有用的数据分析是为了解决问题而存在

 

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，我们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。