SSC 部门在办公系统、考勤系统和其他人力资源系统运转过程中会持续积累不同部门员工的各类数据。在企业的SSC 看来,这些经由不同系统产生的员工数据十分重要,通过一定程度的分析能够透过数据发现深层次的问题,乃至能够对未来员工行为做出预测。因此,SSC 当下十分关注对数据的治理和分
析工作。
◈ 数据字典规范数据输入
数据管理的第一步也是最重要的一步便是源数据的规范统一,在输入端保证数据的标准一致性越高,在后期越能节省大量数据清洗与核查的时间。因此,SSC 部门为了确保员工在输入端输入的各类数据能够标准一致,特别针对业务部门与研发团队建立了统一规范的“数据字典”。
通过字典对各个字段的定义与规范,确保同一个字段在不同的部门和不同的系统中,以及同一个系统的不同页面中,都能够有一致的属性、名称与定义。
◈ 数据整合与统一存储
要让数据传递出价值,还需要将不同维度的数据整合在一起。SSC 部门可以上线“HR 数据仓库”,专门用于对 HR 系统相关维度的数据存储。这样一来,在需要查看和分析 HR相关数据时,便能直接从数据库中提取出所需数据,再不用逐个从不同系统的数据库中筛选和调取,大大提升对数据的利用效率。
◈ 数据逻辑筛查提升质量
当规范数据输入与存储的工作完成后,还尚不能一劳永逸的解决数据输入中的错漏问题。在实际工作中,灵活多变是常态,对应的数据质量管理工作也要多管齐下。常规的,率先在数据输入端尽可能减少开放性数据的输入,但是这样的规范背后灵活性不足,特别是当工作流程变化、HRBP 工作变化等不确定性事件出现后,此前尚且规范的数据很可能当下就不符合要求了,这就要求在流程的迭代与优化中不断调整数据规范性,通过业务逻辑的不断补充和调整,保证数据被使用时具备规范性,例如根据业务发展需要及 HR 政策调整之需要,迭代数据字典及相应管理规范。做好输入端的数据规范与流程运转中的灵活应对之后,仍然需要在数据归入库中后做数据的逻辑检查。
在数据治理的第一阶段,数据治理平台依据逻辑库中的逻辑每天自动运行数据治理的工作,一旦发现输入端,或者数据流程中产生了数据异常值便会将其标出,整理后呈现在负责流程与数据治理的同事的工作台上,由其对异常值做跟踪处理(修改、替换、确认特殊情况等)。
在数据治理的第二阶段,多类数据汇总至数据仓库后,再经数据治理平台进行逻辑筛查,确保没有遗漏的异常值存在。
◈ 数据分析与呈现
确保了数据的规范与一致性,接下来便是对数据加以分析并直观
呈现给需要的同事。
1. 数据分析时, SSC 人员主要从以下几个方面分析背后意义:
• 系统报表背后对应的现实情况变化,数据未能达到或超出预期背后的深层次原因:例如本年度人员招聘总量比预期减少,这一现象背后对应的员工主动离职情况、被动离职情况、人才市场与业务变化情况如何;
• 当前数据结果与常规认知、规律是否符合,人为因素在其中的干扰情况 :例如对于“客户第一”这一标准的评分,是否呈现正态分布、各个业务主管是否严格按照标准打分、员工该绩效标准起伏变化大背后受到是否受业务主管个性格因素影响较大;
2. 呈现数据时,SSC 部门会根据集团管理层、事业部管理层、HRBP 部门与 COE 部门的不同需求呈现不同形式和内容的数据报表。
• 对于管理层,更侧重呈现统览全局的“管理者驾驶舱”;
• 对于 HRBP,则需要呈现细分维度的多重数据,帮助 HRBP深度了解所在业务部门的现状,例如对比业务部门研发团队绩效数据与集团研发团队绩效数据,呈现出细节差距
(信息来源于 第五届中国人力资源共享服务中心调研报告)