专栏首页数据分析专栏普通HR做半天的3种数据分析,学会这个,10分钟轻松搞定
原创

普通HR做半天的3种数据分析,学会这个,10分钟轻松搞定

人力资源部门作为企业必不可少的部门之一,每年经手的数据量之大、类型之多可想而知。特别是在如今信息爆发式增长的时代,海量数据沉淀的背后是亟待挖掘的数据宝藏。

然而目前大多数人力资源部门还在做传统的“体检型”数据分析,不管有用没用,所有数据来一遍图表,男女比例、学历构成、离职趋势等等,这些有一定价值,但都是泛泛之谈。

众多数据潮流淹没了那些“发光的金子”,真正的大数据分析要的是“治病型”,针对痛楚问题开展分析,利用数据找到病灶,充分发挥人力资源部门的价值。

“如何能把人力资源从成本中心变为为企业盈利部门,让各业务老大们视为自己人,是从业HR多年的我在思考与摸索的。”这是某制造企业的HRBP王同学的目标,并且为之展开了行动,但是现实中却发现诸多瓶颈:

海量数据无法高效处理?

  • 造型企业日常管理中积累了大量数据,其中HR部门尤甚,如培训记录、出勤记录、加班记录、请假记录、招聘面试数据、绩效评价等,每月数据量达2万行;
  • Excel可以满足部分数据分析,但数据达到一定量级后,很容易造成死机;

数据孤岛阻碍价值探索?

  • 企业投入的诸多系统“各自为战”,同时还存在部门壁垒,形成了数据孤岛;
  • 进行数据分析需要收集多个平台数据进行整理和数据清洗,耗时耗力;
  • 无法实现数据串联,造成数据浪费,隐藏在数据中的价值未被发现,也难识别;

数据如何保证又快又准?

领导临时交代的分析任务,如离职率分析、在职人员经验等数据,为了保证数据实时性,每次都要把之前所有分析过程在走一遍,效率非常低。

为实现个人价值与组织共赢,王同学积极参与企业业务,但光“动嘴皮子”很难去说服别人,更不可信,所以拿“数据”说话是必要的手段。

接下来王同学通过以下三个场景案例分享个人实践过程:

场景1:午餐排队时间过长,是否要调整时间错峰进餐?

公司分两个职场,两地步行约10分钟。主职场有A、B两个食堂供餐,副职场由B食堂送餐。食堂通过刷卡就餐人次同公司结算账款。副职场甲部门同事同后勤反馈就餐排队时间过长,要求更改进餐时间。

一般此类事情领导第一时间会想到让HR处理,加上由于和个人体感不符,所以作为积极主动的HR一枚,王同学同后勤处要了食堂的5个工作日刷卡数据。利用数据来看看实际情况如何:

1、了解每日整体就餐人数,以及各食堂人员分流情况

通过FineBI 导入刷卡就餐数据,关联人事数据后发现就餐人里出现了已经几位离职的伙伴“去而复返”,而且两位是已经离职5个月的人。这是出现了风控问题:首先立刻联系公司IT注销已发现的两人权限;再要求IT核实一年内离职人员权限是否均已失效;同时审核离职流程中权限注销节点是否出现BUG;至于离职人员刷卡消费产生的损失,交由后勤处理。

回到本次要看到的内容,数据显示每天会有约30%的在副职场工作的人员花费20分钟跑去主职场食堂就餐。从就餐人数看甲部门人员远小于乙部门。

2、反映排队的食堂,员工集中就餐时间

从热力图中的趋势线可发现副食堂就餐密集时间为11:28-11:48,甲部门就餐高峰为11:29-11:39,虽有重叠但甲部门人数较少且整体人员就餐时间分散,更改就餐时间影响意义不大。本次事件分析除了能为后勤管理决策提供一定参考意见,同时也发现了潜在的风控问题,发现漏洞及时止损。

场景2:项目多加班长,项目经理要求社招加人,要不要招?

项目经理在月度例会上提出了抱怨,说是近半年项目太多,工程师一直在加班,需要再增加人员,需要HR进行社招。

招不招?招多少?分配给谁?可不是拍脑门就能确定下了的。在同总部申请人头数前,还是要用数据说话,底气足好办事:

1、了解人员负荷情况和各月加班趋势,探究加班是普遍趋势还是个别情况

从近半年加班数据看,人均加班小时数与整体加班小时有下降趋势:

  • 54%的员工加班小时在70h以内,平均到每月约12h,较为正常;
  • 24%的员工加班时间在100-200h,日均加班1.5h,在可接受范围;
  • 超300h的仅3%;

从个人加班排行看,一位仁兄异军突起,且个人申请的加班小时占了个人加班的80%。

从员工加班词云也可直观发现,加班异于常人的只有非常少的小部分人。

2、了解加班严重的是哪些群体

过滤出加班超过300小时的人员:

  • 通过饼图可直观发现工作经验不足3年人员占比50%,这部分人员需识别是技能不足,还是工作负荷较大导致的加班:
  • 如果是技能不足,需要安排辅导与培训;
  • 如果是工作负荷原因,建议酌情安排分工;
  • 从各项目组看,D组加班比例较高。需同业务负责人聊聊是项目阶段情况,还是人员不足。
  • 各项目组还有部分“准点下班人员”,大家雨露均沾下,是否可行?

基于以上分析,针对业务要求加人的请求,暂时先进行人员储备,如持续高水平加班,则适当进行人员补充或采用借调方式补充“人力”,针对识别出的几个“异常点” ,核算后采取临时支持措施。

场景3:员工离职原因必选“晋升困难”,到底有多难?

离职检查单中离职原因“晋升原因”基本是必填选项。离职面谈时员工也会就这点”深入浅出”聊聊。聊天吐槽后,数据汇总完,就真的完事了?领导问你离职原因,你直接来句“晋升困难”信不信领导瞪你。而且从信度与效度的角度,简单的离职检查单是不够的。考虑如下两点分析:

1、考虑基数与受众因素聚焦主管级,从人事档案中抓取从入职到晋升主管的时间

  • 从各部门人员晋升到主管需时间排行来看,最难的当属战略部,而生产部门相对较好,所需时间均低于平均值。
  • 公司整体与项目部晋升时间对比看,项目部人员晋升所需最大时间远小于公司整体,但项目部仍处于最难提升的TOP5内,从数据层面印证了员工反馈的“晋升难”问题。
  • 从人员年龄与工作经验维度对比,“年轻人”更容易晋升,公司晋升政策对此有一定影响。从人员激励与保留角度,建议公司仍需考虑“年龄较大,经验丰富”的基层人员激励方案。

PS:由于绩效为晋升硬性要求,不具有分析对比价值,在此未单独罗列。

2、公司晋升时间现状如何,均值与中位值情况与影响因素

“晋升”作为人员保留的手段之一,可谓企业为数不多的杀手锏。但从数据对比中发现,仍会有10%人员在晋升后选择离职,离职日期与晋升时间相距不足1年。是我们晋升决策过于冗长,还是对晋升人员没给予足够的培训辅导,是需政策制定者反思与深究的。

总结

“通过BI的自助数据集,只需一次数据编辑,制作仪表板,后面每月更新文件,上传更新Excel数据就行,更便捷。领导临时交代的任务,也能很快的交付,并且提供更多维度的选择。

通过数据的分析和拆解组合,能看到之前忽略的信息,比如高加班时间的人员构成中高年龄段人员数量占比很高,这是很大的企业用工风险项。BI助力我们识别企业发展道路上的坑。”

通过王同学的分享,我们发现即使是没有任何基础的业务人员也能轻松上手FineBI,通过自助数据集创建,业务人员可以轻松获得自己需要的数据,进行自主分析。如果您或您的团队在数据工作中,也面临类似的情况,不妨和王同学一样加入BI工程师从入门到精通实战班的行列,学习FineBI工具的操作使用和数据分析的方法。

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 阿里数据总监教你数据分析:做好这三点,企业数据分析手到擒来

    百度搜索大数据,就会发现这是一个日均搜索达到4000K的热词,在头条上也是如此,只增不降。

    数据分析的那些事儿
  • 聊聊这一款能真正匹配大数据性能的BI工具

    最近在看关于大数据、数据仓库 、数据架构的《数据架构:大数据、数据仓库以及Data Vault》一书,关于大数据有些思考,结合FineBI的Spider引擎,可...

    数据分析的那些事儿
  • 如何用开源bi,打造自己的轻量级bi系统

    对于程序员来说,开源的东西都是好的,别的不说,因为可以自己自己随意开发,毕竟每个人都喜欢自己写的代码嘛,也或者,就是不想花钱哈哈哈哈(扎心了)

    数据分析的那些事儿
  • 快讯 | 多省市成立大数据局,加快建设智慧城市

    互联网时代产生了海量的数据,但是对于数据的管理,一直缺乏相应的措施。很多数据也没有得到联通。

    大数据文摘
  • 人们对AI的误解

    Bossa Nova Robotics首席技术官兼联合创始人Sarjoun Skaff表示,他遇到的最大误解是——人工智能是真正 “智能”的。

    AiTechYun
  • 高质量数据集哪里来?机器学习公司的十大数据搜集策略

    大数据文摘
  • 【聚焦】数据分析三部曲

    University Of Maryland的Shneiderman教授把数据分析的过程归纳为三大步:Overview,Zoom&Filter,Detail-o...

    小莹莹
  • 高质量数据集哪里来?机器学习公司的十大数据搜集策略

    长期以来,在机器学习中不合理的数据利用效率一直是引起广泛讨论的话题。也有人认为,曾经阻碍人工智能领域取得各种重大突破的,并不是什么高深的算法,而是缺乏高质量的数...

    钱塘数据
  • 【数据】如何获取高质量数据?

    小编邀请您,先思考: 1 如何获取高质量数据? 2 数据质量如何识别? 温馨提示:加入圈子或者商务合作,请加微信:luqin360 长期以来,在机器学习中不合理...

    陆勤_数据人网
  • 洞察 | 高质量数据集哪里来?机器学习公司的十大数据搜集策略

    导读:长期以来,在机器学习中不合理的数据利用效率一直是引起广泛讨论的话题。也有人认为,曾经阻碍人工智能领域取得各种重大突破的,并不是什么高深的算法,而是缺乏高质...

    灯塔大数据

扫码关注云+社区

领取腾讯云代金券