HR如何应用数据思维（下集）

4、应用于薪酬福利管理的最佳实践；

    薪酬福利模块里有大量的数据，所以是HR最经常应用、也是数据思维的应用范围最大、应用深度最深的模块。其中，应用于薪酬福利管理中，最主要的目的是分析和设计四个重要的方面，即总额、比率、科目/结构和效用。

统计分析总额的意义在于对绝对值进行内外部对标并从中找到差异

    只看薪酬福利总额而不看其他数据的话，得不出任何结论。员工数量、所处行业和薪酬水平是决定一家企业薪酬福利总额的最重要的三大因素。例如，一家50人的连锁餐饮公司在6月份的薪酬福利总额有30万，而一家同等人数的软件公司的在同月的薪酬福利总额可能就超过120万，相差四倍、完全没有可比性。

    但是，这家50人的连锁餐饮公司可以跟相近人数的其他餐饮公司对比，从而了解薪酬福利总额与员工离职率之间存在的关系，也可以跟3月份的薪酬福利总额和员工离职率做比对，通过这若干组数据之间进行交叉比对从而找出潜藏的问题。同理，这家50人规模的软件公司也可以进行同业的外部对比，也可以用于历史对比，从中找出端倪。

    薪酬福利的总额很重要，但做薪酬方案设计和优化绝对不能只盯着总额，在总额之外还有太多的其他类型数据需要分析对比。此外，做薪酬福利的总额分析，还可以只针对某些特定的序列和群体，例如营销序列、研发序列、技术序列，或者只对部门经理或高层，进行薪酬福利总额的分析；这么做的目的是将分析的主体从公司转变为某个特定的群体，针对性更强，而且工作量和难度也会更小。

统计分析比率的作用是评价结构是否合理，进而为做方案设计提供参照

    做薪酬福利的比率分析涉及的数据有很多种，其中，做比率分析用的最多的有三个口径：薪酬福利总额占企业成本总额的比率、薪酬福利总额占企业总营业收入的比率、不同科目的薪酬福利占薪酬福利总额的比率。

    众所周知，薪酬福利总额占企业成本总额/营业收入总额的比率，与企业所处的行业有密切关系。例如，高科技、互联网、IT等智力密集型行业，由于其具有典型的轻资产、重智力的特征，因此人力成本（主要是指薪酬福利成本）是最大的成本项。而装备制造业等重资产行业，固定资产摊销折旧、原材料等科目通常为最大的成本项。因此，假设同样都想做成本优化，那么这两个行业的成本优化策略与重点必然就有诸多差异。以目前成熟的解决方案来看，装备制造业的成本优化方案通常可选择提高自动化程度、优化供应链、优化业务流程等组合拳来降低成本，而智力密集型行业通常会采取将非核心职能与非核心事务外包，进而减少人员编制、降低人力成本这个最大的成本项。财务外包、IT外包、HR外包、法务外包（有全部外包、部分职能外包或者职位外包三种），甚至近年开始兴起的营销外包（众包或委托给专业营销机构），都是目前比较成熟的成本控制方式。

    不同的薪酬福利科目/结构在薪酬福利总额里的比率各不相同，例如基本工资、岗位工资、年功工资、加班工资、绩效工资/奖金、职位补贴/津贴、五险一金等，基本工资和岗位工资通常对应职位等级（有些企业将基本工资与岗位工资合并为岗位工资或基本工资），而有些企业则没有加班工资。是否设置这些薪酬福利科目/结构和比率，不仅要考虑这些科目/结构各自对应什么目的，还可以在一定程度上改善薪酬过于刚性的弊端。

    同样，在人力成本费用科目里，不同的科目分别对应不同的人力资源事务，例如招聘。有许多企业在解决缺人问题时都会陷入一个误区：用过多的精力和代价在招聘面试上，而本该及早弥补的短板（如薪酬水平、团队氛围、管理水平）却迟迟不着手解决，结果不仅导致了人员大量招聘入职的同时大量流失，让公司高层和人力资源部被招聘工作占据大量人力财力精力，还给公司的口碑造成了很坏的影响，结果人越招约少、流失率越来越高，陷入恶性死循环。相比之下，那些独角兽、头部公司和行业标杆，表面上看起来招聘难度低、更容易招到优秀人才是因为这些公司具有光环效应和名声，但实际上是因为这些公司的人力成本费用都花在正确的地方——相对较高的薪酬水平、健全的培训体系、规范高效的管理水平。这些人力成本费用投入之后不会马上见效，但优点也很突出：效用持久、边际成本低，而且会形成积极正面的良性循环。遗憾的是，许多企业的HR都没有建立起相关的人力成本费用台账，未对与HR相关的各项事务进行数据分析，自然也无法找到问题的根源，也无从谈起用正确的方式来解决正确的问题。因此，统计薪酬福利与人力成本科目的各种比率，对企业的薪酬福利方案设计优化、乃至企业的整体运营管理改善而言就显得十分必要和重要！

统计分析科目/结构是为了提高薪酬福利的吸引、保留和激励效果

    前文谈到了薪酬福利的科目，但在开展薪酬方案设计优化时，薪酬福利的科目就不止上文所列的那么几项，还会有更多类型和科目。通常，从薪酬福利的三个目的考虑，通常都会包括若干种薪酬福利科目，见图二：

图三：各结构的效用及影响对比

    钱和钱不等价，不同的科目有着不同的效用，而某个科目的效用大小还取决于具体的数额大小。因此，从薪酬福利设计优化的目的而言，需要以终为始，根据目的来选择数据、根据目的来选择分析的口径和方法。

    举个例子，大多数行业的营销序列职位，其薪酬结构里变动收入占据了相当大的比重，低一些能占50%、高一些的甚至能占90%（如房屋中介、售楼、保险代理与经纪），固定收入只占很小的比重。此种薪酬模式的优点是企业的刚性成本低、激励效果好，但弊端是员工的稳定性较低。如果想提高员工的稳定性，就不适合在变动收入的结构和比率上做文章，而是在固定部分收入的结构和比重上面下功夫（当然还有其他手段，此处不表）。总而言之，不同的目的会有不同的手段，需要统计和分析的数据类型也不尽相同。

统计分析效用是为了评估用于薪酬福利的效用/回报率，为薪酬政策提供依据

    企业的每一项支出，无论是将其视作成本还是费用，都是为了获得回报。而回报既有经济回报也有非经济回报，如口碑、美誉度、知名度、员工稳定性等等，并且最终，这些非经济回报最终都会转化和体现在经济回报上，两者的区别不过是周期与路径的长短不同而已。

    以薪酬福利为例，首先调薪分为个调和普调两种；其次，调薪的目的也有降低离职率、提高满意度和提升激励效果这三种。那么相应的，是普调还是个调，是为了降低离职率、提高满意度还是提升激励效果，就需要做相应的调查。调查能得出离职率、满意度和激励效果的量化后数据（体现为比率而非绝对值），而薪酬福利的调整也有数据（更多是数额，是绝对值）。两类数据进行交叉比对、前后比对，就能相对比较可观的了解到企业所做的薪酬福利方案有没有达到预期的效果（预期值，是绝对值或比率）。但是，调查问卷的设计也是重点，如果问卷设计不当，就无从判断之前的状态和之后的效果，但这又是一个话题了，此处不表。

5、应用于员工培训开发的最佳实践；

    虽说培训是最大的福利，但这个福利并不是通常意义上的薪酬福利，而是作为一项用于改善人力资源质量、提高员工业务能力的投资。既然是投资必要要计算投资回报率，而培训这项长期投资，其回报率到底有多高，恐怕许多HR都很难在第一时间给出准确的答案，当然原因有很多，例如计量口径、计量周期，以及需要与其余HR模块的各项数据进行交叉分析才能计量，否则培训投资回报率也无从计算。

    需要注意的是，将数据思维应用于员工培训领域，主要是从两个方面进行效果的评价，并根据得出的统计数据进行调整；这两个方面的目的不同、

一是培训出于的维持性的目的，旨在让员工认同企业

    无论是通才教育还是职业教育，都无法满足所有企业的需要，员工进入一家新公司或者调整到新岗位上，都会需要一定时间去适应和磨合，而承担此项职责主力的只能是企业而非员工。例如到了新公司，需要熟悉新公司的企业文化和规章制度，或者调整到新岗位之后需要接受新岗位必备的培训。

    此类培训并不能够让员工变得更优秀或更能干，最多只能让员工提高人岗匹配度和适应度，并且此类培训不同于岗位的专项技能培训（包括通用技能和专用技能），投入越多并不会产出越多，甚至有时候投入与产出在达到某个临界点之后呈现出负相关关系——培训越多业绩水平越低，或培训越多离职率越高。例如具有洗脑色彩的企业文化培训，此类培训越多反而效果越差。

    对于此类培训相关的数据，最佳实践是将其作为一项单列支出进行统计，并且只与离职率进行一段时间内的勾稽关系分析，如新人入职后三个月的维持性培训投资/离职率分析，这样做的好处是能够与增长性培训投资回报率区分，以更真实准确的评估培训工作的成效。

二是培训出于增长性的目的，旨在让员工具备更高的价值创造能力。

    为了提高员工的业务能力或价值创造能力之培训，是最常态化的一种培训，但是从实际情况看，此类培训通常不容易通过一两天的培训就能实现，无论是外部师资还是内部师资。其中既有课程设置的原因，也有员工能力分类分级量化与课程分级的问题，还有课程设置与评估的问题，但从数据应用的角度看，要准确评估培训投资回报率，最好先对员工的知识与技能进行量化。当然也可以简化这个过程，不对员工的知识与技能进行量化，而是简化为人均劳动生产率（可以是人均销售/营业收入，也可以是人均毛利润）。

    至于计算公式，也很简单：选择某个周期（如年度、半年度或季度）的人均劳动生产率作为参数A，而同期的培训投资作为参数B，在培训结束之后的第三个月统计当期的人均劳动生产率作为参数C，最后再将函数AB与函数CB进行比对，就能知道培训投资回报率的前后变化。

    统计培训投资回报率的公式是（培训投资÷人均劳动生产率增加值）×100%；其中，人均劳动生产率增加值=培训后三个月的人均劳动生产率－培训前的人均劳动生产率。这个公式最能衡量培训管理工作的成效，但要提高培训投资回报率却需要在许多方面做文章，此处略过不表。

6、应用于人力成本管理的最佳实践。

    将数据思维应用于人力成本管理会涉足许多专业的内容，不仅是人力资源管理领域，还包括研发、生产、供应链、营销等领域，话题太大篇幅甚巨。但从归口角度出发，此处就只谈应用于人力成本管理的三个注意事项。

注意事项一：人力成本相关数据很多但需对数据贴标签，细化数据挖掘的颗粒度

    人员编制、薪酬福利水平、社保费率、员工技能、设备自动化程度、管理水平等诸多因素都会对人力成本构成直接影响，有些是强相关有些是弱相关；在统计这些成本项之前需要对其进行分类分级，并贴上相关标签，以便于归类统计。因此，贴标签的工作其实是数据挖掘的颗粒度细化，这项工作不难也不算繁琐，并且做这项工作的意义也不仅是控制人力成本，还有盘点家底的作用。

    统计完所有人力资源相关的成本项并贴上标签之后，可根据其占人力成本的比重，挑选出占比排名前五位的成本项，这是人力成本管理的第一步；统计完之后对其进行分析改进，则是第二步工作。

注意事项二：挖掘数据不等于解决问题，只是提供分析判断的依据

    数据只是一种表达式，其本身并不会告诉你人力成本控制的答案，但是能够让HR们以更直观的方式观察到人力资源管理工作的成效，为分析判断、找出问题乃至改善和决策工作提供依据。

    所以，这些数据只能作为素材，要想将这些数据应用起来、让其发挥作用，则需要HR们对数据进行加工——构建起跨领域跨专业的函数，这才是数据思维应用于人力成本控制的重点。但这又涉及HR的知识结构、专业深度、社会阅历、工作经验，因为需要这些底蕴作为支撑，否则就算找到原始素材和海量数据也无从下手，当然也谈不上做问题识别与分析，但这又已经超出了本文讨论的范畴。

注意事项三：人力成本控制的重点是控编制，其次是找出和标注隐性成本项

    即便不是社保新政，由于人口红利消失、就业方式多元化和产业结构调整的影响，人力成本一直在持续提升。对企业而言，降薪显然不是控制人力成本的好方法，而用的最多、副作用最小的当属控制人员编制（裁员也属于控制编制的一种，但太过被动且副作用大、成本高）。

    人力资源管理的“三定”（定岗定责定编）并非一成不变，随着信息化水平与科技水平的提高，以及互联网化与智慧化的推进，“三定”工作甚至可以每隔一年做一次。我的个人观点是：宁可编制紧一些也避免满编更不要超编！

    管理学家查尔斯汉迪说企业最好是一个人给两个人的工资干三个人的工作，虽然有些极端但可以提供参照借鉴。对于工作量并不那么饱满但又不得不做的工作，例如人力资源当中的员工关系、社保办理、薪酬发放，以及部分行政工作，要么集中到一个人身上去完成，要么就索性外包，这些都是很好的解决方案。

    除了上述显性成本之外，企业里还会有许多看不见的隐性成本可供挖掘，例如沟通成本、加班成本、用错人的修正成本、会议成本、差旅成本等。这些隐性成本很容易被包括HR在内的许多管理者忽略，但如果能找出导致这些成本项发生的原因并着手解决，总体成本累积起来也相当可观。

结束语：

    《HR如何应用数据思维》到此也写了有近17000字，虽然已经尽量的展开描述但总觉得有些意犹未尽，所以，只能寄望于这个小系列能给所有的HR朋友们开个头、引起各位HR的注意吧——真正要应用的话，外延其实可以很大。但可以先从小的做起，先从HR管理专业做起，再逐步扩大到其他领域。有兴趣的读者朋友们，敬请期待近期录制的同名视频课，课程会讲的更细致一些（发布平台与播出时间请等待公告）。

    数据分析与数据应用能力，在我看来，这是HRBP的职责所在，HR不应该只围绕着六模块来开展工作，你觉得呢？