会员权益变动

儒思平台“超级会员”产品已关闭,已经 开通对应权益的老用户不受其影响,请移 步至“我的"查看。

我知道了

优惠券已放入您的账户中,请在app“ 我的-优惠券”使用

下载APP

手机扫一扫

签到成功

已累计签到 07 天,继续加油吧!

连续签到7天可获得额外奖励30积分

我知道了

签到失败

非常遗憾!连续签到中断,今日签到将重新累计天数

连续签到7天可获得额外奖励30积分

重新签到

已签到

您今天已经签过到了
去浏览其他内容吧,同样很精彩呢!

连续签到7天可获得额外奖励30积分

我知道了

关注儒思微信订阅号获取更多精彩内容

资讯>人才管理

任康磊:人力资源量化管理与数据分析

2018-08-20 15905 22 0 0 来源: 来源网络

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。

t0116eebba176faf402_meitu_3.jpg

1、没有用的数据分析是在浪费时间

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这样子的报告:

640.webp_meitu_2.jpg

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。我就不画这些图了。

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!

2、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

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。

3、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。

作者:任康磊

  赞  |  0       收藏  |  0
发表

0 评论

展开查看剩余评论