通过前面几个小故事的分享,我想不少读者,包括我自己,都对HR在数据的选取和使用方面有了一些心得和体会。本文作为本系列的结尾,想结合笔者的工作实际和之前阅读的人力资源数据分析相关书籍,分享一些心得体会和重点概念。
一、相关关系和因果关系
什么是相关关系,什么是因果关系?这是HR在开展数据分析前需要搞清楚的。
一个非常简单的例子是:数据显示,溺水人数和冰淇淋的销量成正比,但是通过禁止冰淇淋销售,就能够降低溺水事件吗?正常思维的人,都知道不是的,真实的原因是,夏天游泳的人增加,溺水的人自然增加,而与此同时,买冰淇淋的人也增加了。
数据分析关注相关关系,而不是因果关系,草率做出决定,是非常危险的。
所以,笔者对数据繁杂的人力资源仪表盘持保留态度。人力资源仪表盘数据众多,很难让领导者一眼看清楚状况;撇开这个不说,里面的陷阱也是非常多的,比如,数据显示敬业度降低,离职率提升。但是仅仅凭借提升敬业度,就能够降低离职率吗?或许可以,但是也可能它们都源于第四季度非常糟糕的销售业绩,如果是这样,销售提升才是解决问题的真正方法。
二、数据分析在HR部门实施的关键是分析真正重要的问题。
1、应该提供真正需要的数据,而不是领导认为他们需要的数据。
2、同样,应该先决定到底解决什么问题,再去寻找数据;而不是对已有数据去开展意义不大的分析项目。
小结一下:
1、依据相关关系直接做出决策,是危险的;
2、仅仅关注人力资源数据,而忽视组织其他因素,往往不能得出正确的结论;
3、分析前想想目的是什么,解决什么问题。
三、数据分析常用的场景介绍——深挖一步!
笔者在之前的三篇文章中,从离职、薪酬调整、满意度等方面给出了一些应用场景。这里提供一些相关书籍上提到的例子:
场景一:年度员工需求预测
仅仅收集各部门的需求,然后汇总?有没有更加定量的编制管理办法呢?
1)初步考虑与员工人数相关性较大的变量,如销售额、资产投资额等;
2)收集尽可能多的数据;
3)分析相关性,将相关性较小的变量剔除掉;
4)进行回归分析,形成回归公式;(EXCEL即可完成)
5)根据明年变量情况,得出员工预测数量。
场景二:员工离职倾向性分析
如果说离职分析是事后的补救,那么可不可以通过数据分析方法察觉一个人的离职倾向,并提前做好准备呢?答案是可以的,这样在招聘时,就可以参考离职分析的结果,有的放矢的去筛选人才。
1)收集尽可能多的员工信息,比如年龄、专业、性别、学历、性格、各种胜任力素质、业绩考核情况等等;
2)将这些信息进行机器学习算法学习;(SPSS modeler即可完成,操作简单)
3)对于某个特定人员,可进行离职概率预测;
4)可通过重要性排序分析各影响因素的敏度(即某因素对离职影响的敏感程度)。