• 人力资源分析
    组织网络分析(ONA)与人力资本分析的联合意味着什么? 序言:如果没有组织网络分析,组织内真正值得认可的人可能会被忽视。当与其他人力资源数据相结合时,这些更深层次的网络洞察力为识别隐藏的人才、关键影响者提供了背景,并实现了更智能的战略劳动力规划。 在这篇文章中,我们将更深入地探讨组织网络分析和人力资本分析的结合为人力资源和企业领导者带来了哪些好处。 组织网络分析(ONA)是什么意思? 组织网络分析并不是一门新科学。它已经存在了30多年,这种做法 "通过研究这些网络中人们之间互动的强度、频率和性质来测量和绘制协作模式"。单从这个定义来看,ONA似乎只有最专业的数据科学家才比较适合,但技术的进步让它变得更容易,也更容易获得。 如今,有一些公司,如TrustSphere,可以处理我们与同事的日常互动中产生的大量副产品数据。TrustSphere是一个令人难以置信的工具,可以发现你的组织的影响者,并挖掘出促进成功的关键关系。他们将这些数据点转化为人与人之间形成的网络的有意义的可视化,以及总结个人对该网络影响力的分数。 个人得分可以让你量化一个人在组织中的影响力和地位,比如 员工网络中心化:员工有多少关系? 员工网络影响力:员工对其网络的影响 员工网络的多样性:雇员网络的多样性 网络中的关键性:该员工对其网络的关键性 ONA的重要性为何不断提升 当ONA指标可以与更广泛的人力资本分析一起查看时,它们为您的劳动力洞察力增加了一个全新的维度。 您是否曾观察到,员工倾向于分批辞职?一个人递交了辞呈,似乎会引发多米诺骨牌效应。ONA可以显示出第一个人是否是支撑一个网络的关键人物,他们的缺席导致了网络的崩溃。 这种分析还可以揭示出令人惊讶的见解,比如第一个离开的员工并不是业绩最高的员工,但他们却是你的明星人才凝聚在身边的人。现在这个人走了,你可能会发现你的顶级员工也有离职的风险。 在人力资本分析中加入 ONA 洞察力,还可以揭示与你的多样性和包容性相关活动的风险和机会。ONA可以向您的D&I领导展示员工是否正在建立促进包容性的网络,并使不同的员工能够充分发挥其潜力。 TrustSphere的首席执行官Manish Goel与我分享了一个故事:一家价值数万亿美元的资产管理公司使用了ONA来了解,为什么在公司雇佣同等数量的初级男女员工的情况下,获得晋升的女性却越来越少。Network insights帮助该公司确定了与晋升数据相关的工作关系发展中的性别差异。这种理解为旨在帮助女性员工建立正确的内部网络以获得平等晋升机会的培训项目提供了重要的参考。 ONA将把您带到哪里? ONA数据的力量是毋庸置疑的,当与您的全部员工数据和人力资本分析相结合时,其结果可以改变业务。 一起投入其中吧,一切都是新的,值得探索!你觉得呢?关注HRTechChina学习更多前沿新知,一起进步! 作者:凯特琳·比格斯比 以上由AI翻译完成,仅供参考。
    人力资源分析
    2020年12月09日
  • 人力资源分析
    九大维度打造卓越的人力资本分析 影响、价值、焦点 我们很幸运地看到了人员分析在全球每个主要国家和行业的实践。几乎在每一个组织中,我们都会反复遇到三个主题。影响、价值和重点。 如何提高影响力?那些建立了坚实的、面向业务的基础的组织--而不仅仅是深入解决技术和数据问题--能够长期创造更多的影响力。 如何创造更多价值?领导者和从业者经常关注分析活动,而忘记了最终目标是为企业和员工创造价值。 我应该关注什么?关注与企业人才战略相关的业务挑战的从业者,其努力会更加成功。 这三个问题的答案因情况、个人经验水平、业务挑战和行业不同而不同。尽管如此,答案可以在九个维度中找到,归纳为三类:建立基础、管理资源和提供价值。我们将其称为Insight222九大维度卓越人员分析®模型。 最成功的组织在所有九个维度上都追求卓越,并以适合自己公司的方式(无论顺序如何)来解决这些问题。我们发现,最具影响力的组织同时关注所有三个类别。这不是一个循序渐进的模式。它并不要求你按照特定的顺序去做事情。而且,它并不意味着,在没有达到一定的 "成熟度 "之前,你不能从一件事转向下一件事。 Insight222九大维度卓越人才分析®模型。 Part 1 基础 人员管理的基础性工作是围绕着在工作变得过于复杂之前,在前期具备正确的要素,以便在未来取得成功。 维度一:治理 这个方面是关于公司运作和管理风险的机制、过程和程序。 这里的两个主要重点是: 建立正确的结构,帮助数据标准、道德和隐私的保护。 有正确的结构来管理项目的选择和分析工作。 如果没有适当的治理,分析工作就会失去重点、价值和影响,做不必要的工作的风险也会增加。 第二方面:方法 这个维度涵盖了现有的步骤,以确保人员分析遵循一条清晰而又灵活的道路,从而使工作有意义、有目标、产生影响,并提高个人和组织的绩效。 成功的人员分析总是从理解最重要的业务挑战开始。一旦你理解了 "为什么",你就会从分析中得到更多。你也将能够有效地确定项目的优先级,从而为业务带来最大的价值。 经常有人问我们:"你会建议追求分析的人力资源领导者做什么事情?" ......我们的回答总是:"先关注你的业务挑战!" 维度三:利益相关者 当人员分析完全嵌入到公司的运营中时,是最成功的。这需要利益相关者的成功参与。 以下几点至关重要 了解最重要的人员、职能和群体。 定期、适当和清晰地进行沟通。 在我们的模型中,我们认为有七种类型的利益相关者。企业高管、人力资源领导、经理、员工和工人、职能利益相关者、技术和数据所有者和工会,最后是工作委员会和员工团体。   Part 2 资源 开发解决方案并通过人员分析产生影响所需的资源是人员(或技能)、技术和数据。 维度四: 技能 我们确定了人员分析的六大成功技能:商业敏锐度、咨询、人力资源、工作心理学、数据科学和沟通。(注意,这些技能与我们为未来的人力资源所确定的技能不同)。 这些技能可以在你的团队中建立,也可以从企业的其他部门获得,或者根据需要从公司外部聘请。 维度五:科技 由于有成千上万的供应商,因此采购、部署和使用分析技术变得非常复杂。 您的技术需求将涵盖可视化、商业智能、统计、机器学习和人工智能等方面。 它们将包括硬件和软件,并以现场、"服务 "或混合方式交付。 我们建议的方法是专注于了解您的需求与您试图解决的业务问题之间的关系,而不是专注于 "下一个闪光的东西"。 维度六:数据 如果要做任何其他事情,了解、使用、整合、管理和保护人员和业务数据是必不可少的。 这个维度对于了解标准、安全、数据选项以及你需要什么来应对你最紧迫的挑战非常重要。 它还包括需要关注内部和外部数据源,以及如何分析你的情况,并决定收集哪些额外的数据来改善你的分析。   Part 3 价值 你从人员分析活动中获得的价值将由与你互动和影响的人决定。 维度七:员工体验 该模型的这一维度主要是了解你的胃口和能力,通过个性化、推荐算法、人力资源的消费化和管理者的数据民主化,将分析重点放在员工/工人和管理者本身。 举个例子,尼尔森提供的分析价值不仅仅是财务上的,而是通过向员工强调职业转换的好处,并分享了一段视频,讲述了流失分析的内容、方式和原因。 维度八:业务成果 通过有效的人员分析来提供洞察力,将确保您的高管和领导层能够通过洞察力来做出决策。 这些洞察力可以是关于生产力、成本优化或收入提升。 这个维度确保了企业在未来能从人员分析中获得组织效益。 第九个维度:企业文化 当人力资源和整个组织的文化都能接受分析性的见解时,部署分析就会变得更容易和更有影响力。努力建立强大的分析文化是至关重要的。"我的团队如何才能更加量化?"和 "我如何培训我的人力资源业务伙伴?"是我们最常听到的两个问题。 九大维度卓越人力分析模型的维度、元素和调查是由Insight222有限公司的联合创始人兼首席执行官Jonathan Ferrar和非执行董事兼董事会顾问David Green开发的。他们对人员分析的定性研究覆盖了全球所有主要地区的60多家企业,历时五年。   作者:乔纳森·费拉尔 以上由可爱的AI翻译完成,仅供参考。
    人力资源分析
    2020年11月12日
  • 人力资源分析
    认识HR的真正的IT人群 一批新的专业人员正在崛起。了解他们是谁(以及他们的工作内容)。 "你有没有试过把它关了又开?" 喜剧《IT人群》(The IT Crowd)中的一句老话---HR专业人士在工作期间可能比其他职能部门的同行更习惯于听到这句话。这是根据公认的观点,即人力资源部门的数字化知识可能比其他专业人员要少,而研究表明,这仍然影响了该行业在分析方面的复杂性。例如,CIPD的 人员分析:用人员数据推动业务绩效 ,调查发现,仅有46%的人力资源从业人员有信心使用基本的统计数据来探索数据趋势,只有三分之一(34%)的其他职能部门的专业人士认为人力资源专家是数据专家。大型组织已经投资和发展了他们的人事系统和分析能力,但绝大多数组织仍然只运行基本的分析和报告,"CIPD研究和思想领导力主管Ed Houghton说。"预测性和规范性分析肯定不是大多数组织的主流。" Houghton继续说,"在较小的企业中,人力资源分析通常采取的形式是关于人数、工资和病假的基本报告。而即使是定期的、高质量的这些简单类型的数据报告,对许多小企业来说也是遥不可及的。Houghton说,但人力资源部门要想向其他职能部门展示其价值,就必须建立其作为数据驱动型专业的声誉。事实上,考虑到这一点,CIPD已经在其职业地图中开发了一个人员分析专家角色。正如这一点所显示的那样,情况正在发生变化。人员分析团队已经在许多公司中兴起,其影响力也越来越大。无可否认,那些带头人正在证明其价值。人员分析是战略规划的一部分,可以根据数据做出更好更快的劳动力决策,支持组织的商业战略,"赫尔大学组织行为和人力资源管理讲师Igor Menezes博士说。"例如,人员分析可以设计出解决方案,使组织能够在招聘和培训方面做出更明智的决策,同时也能创造出提高员工留用率和绩效的策略。" 人员分析的位置取决于组织结构。然而,麦肯锡公司的人事分析和测量总监Keith McNulty注意到,近年来,人力资源分析专业人员在人事部门中的地位发生了强烈的转变,而以前他们都是在财务或IT部门。McNulty对这种变化充满了热情。"要想擅长任何一种分析,你还需要对你所从事的领域有很好的理解,"他说。"最好的人力资源分析专家已经建立了对人力资源领域所面临的典型问题的了解,并能自信地处理这些问题。因此,让他们坐在HR职能部门中是有意义的。不过这并不总是很容易,尤其是如果与你一起工作的其他HR从业者不是特别注重数据驱动,或者你被嵌入到一个离决策层几步之遥的子团队中,那就更不容易了。" Felix Schmirler是企鹅兰登书屋的人员分析和洞察力专家,他有组织心理学的背景。他说,这个角色的最大挑战之一就是在创造即时价值和改善现有系统或流程之间找到平衡点。他刚刚重新设计了发送给离职者和新入职者的调查问卷。"这听起来可能不是很有魅力,但问对问题是任何研究项目的第一步,也是最重要的一步。"他说。 国际贸易部人员分析和洞察力负责人Stephen Miller认为,在你成为数据高手之前,你必须先成为流程高手。他建议说,与其规定一个HRIS平台必须如何工作,不如看看如何适应它的标准化方法,而不是规定一个HRIS平台必须如何工作。为什么要这样做?因为使用标准的流程可以增加数据对你的有用性。这释放了它的潜力,意味着你可以创建有助于推动组织增长的洞察力报告。 "我发现,最好的体验和洞察力是在一个熟练的内部HRIS资源或团队中找到的。"Miller说。"在会议和活动中很容易听到供应商的承诺,但你无法击败拥有一个专门的团队,他们了解你的工作场所文化,并将员工放在流程的核心位置,这是你无法战胜的。" 有趣的是,米勒有阅读障碍。他说,他从来不喜欢文字,但数字很容易让他产生兴趣,而将原始数据转化为有洞察力的信息的挑战一直吸引着他。米勒最初是一名高级人力资源服务台顾问,然后是一名员工关系支持人员,在将他对数字和人这两个爱好结合在一起之后,他进入了人力资源系统和信息经理的岗位。 但是,人员分析专家的背景是多种多样的----绝非所有的人都是从人力资源部门开始的。People Management采访了四位这样的人,了解他们的角色性质、他们是如何进入这个行业的,以及他们对人员分析的兴奋点和面临的挑战。 IT-HR混合型人才 荷兰银行全球人员分析主管Patrick Coolen先生 "我的职业生涯开始于荷兰银行的IT程序员。三年后,我转到了人力资源部,负责招聘IT管理培训生。我非常喜欢看到人们的成功,所以我决定留在人力资源部,在不同的领域工作,包括绩效管理、招聘和人力资源战略。从那以后,我转到了人力资源分析部门的领导岗位,这是我迄今为止最好的职业发展。对我来说,这一切都始于好奇心。我想知道为什么某些人比其他人更有活力,以及我们的员工队伍如何提升客户满意度。我想看看我们的培训投资是否有效,并了解我们如何帮助员工保持健康和生产力。我还想知道哪些具体的技能会影响到我们的业务目标。分析是回答这些问题的重要工具。当然,经验和直觉仍然很重要,但如果不应用分析技术,你就不能尽最大努力去了解你的员工。我喜欢分析学中的创造力。数据科学家必须要有创造力----尝试不同的东西,寻找最佳的算法或算法组合。将洞察力可视化也是一个创造性的过程。找到最佳的可视化来讲述数据背后的故事,对于确保你的企业采取行动是至关重要的。当我们的团队找到有助于组织改进的洞察力时,总是很有成就感。目前,我们正在研究几个主题。每个月,我们都会研究员工的想法。通过文本挖掘/主题检测,我们可以从员工提供的所有信息中获得合理的信息。我们还在进行多个研究项目,研究员工对客户满意度的影响。此外,我们还在启动一些旨在缩小技能差距的项目。例如,我们正在寻求建立一个模型,为员工提供内部空缺职位的相关推荐。在荷兰银行,人力资源分析被定位在人力资源战略中。这绝不是唯一的模式,但我喜欢它,因为人力资源分析在那里调查战略课题。" 商业大师 Angela Ignam Mathon,Aviva全球人员分析和洞察力主管,安吉拉-伊格南-马顿 "我的背景是非常商业化的;我上的是商学院。这就是推动我在客户领域和业务发展领域从事分析工作的原因--现在我在人力资源部门。关于人员分析的有趣之处在于,你实际上是在讨论人们在个人生活中的运作方式,而不是当他们走进办公室时,真正的改变。我觉得这一点很吸引人。Covid-19是我们目前正在研究的最大的事情。它对很多事情提出了质疑。比如说,我们还能在家里有效地工作吗?为什么我们要经常到办公室来?Aviva正在尝试着解决这个问题,我们也在这个过程中不断学习。围绕着Covid-19对Aviva的影响,有很多故事,我可以去探索和讲述。因为它是新的,HR并不总是喜欢使用数据。如何让人事从业人员能够舒适地使用数据,然后向利益相关者解释,这通常是一个挑战。幸运的是,我的CPO们对数据很有热情,喜欢参与其中并提出问题。当你坐在CPO的位置上时,你的同行们往往会拥有相当强大的数据,你要尽可能多地反映这一点。他们的要求,因为CFO、COO、CIO和CMO都是带着大量的数据包出现在这里。他们坐在那里想 "我的呢?最终的目标是推动绩效,创造一个人们每天都想出现的工作环境。这是一个令人着迷的空间,我认为吸引非传统HR背景的人加入是一件好事,因为这有助于改变对话。我们不是想创造一个大佬的环境。我们只是想了解为什么有些东西在目前的形式下行不通,是否有更好的方法。" 工程专业的毕业生 Jose Carlos Alatrista,TransferWise公司人员分析负责人。 "我所学的是工科,重在统计学和计算机科学。在学习期间,我对生产力中的 "人的因素 "产生了兴趣。我选修了几门人力资源管理课程,最后完成了关于如何衡量组织氛围的毕业论文--对于一个工科毕业生来说,这并不是一个常见的课题!"我说。 "完成学位后,我和我的人力资源管理讲师一起做了一个咨询项目,协助她进行分析方面的工作。这是我第一次亲身体验到在生产力的背景下研究人力资源指标,试图通过数据来理解参与度、绩效、健康和安全之间的联系。我们从数据中建立了假设,然后通过与人交谈来测试这些假设。这段经历塑造了我的职业选择,即使当时人事分析师这个职位还不存在。在TransferWise,我们公司的使命是'金钱无国界',帮助我们700万全球客户省钱,鼓励我们2,000多人的团队中的每一个成员每天都要做出有数据依据的决策。激励我的是利用数据做出明智的决策和优化流程,通过数据科学和可视化学习解决业务问题的新方法的喜悦,以及在一个多学科的专业团队中工作,通过定量和定性的数据改善员工的职业生活,这让我感到谦卑和兴奋。我们正在建立一个数据基础设施基础,将分散的人员数据汇集到一个TransferWise-wide平台上,在这个平台上,我们可以将其与业务数据连接起来。我们还在通过构建员工端到端的旅程,找出关键的痛点,努力寻找数据源之间的关系,我们还在实施员工倾听工具,通过数据更好地了解员工的体验。TransferWise有一种透明的工作方式,即自主团队与全公司分享他们的成功经验和教训。对于人员分析团队来说,这意味着我们有一个充满好奇心和参与度的2000人的听众,他们会给我们不断的反馈,帮助我们改进。我所面临的主要挑战包括寻找创造性的方法,用我们所掌握的数据来解决业务问题,在科学方法和实证方法之间取得适当的平衡,以及持续不断地量化无形的概念。虽然很有挑战性,但都是巨大的动力源泉。" 金融服务的职业经理人 Steve Scott,渣打银行全球劳动力管理和分析部董事总经理、全球劳动力管理和分析主管Steve Scott "离开大学后,我在加勒比海地区的邮轮公司工作了很短的时间(让我的父母大失所望),我在金融服务领域的职业生涯丰富多彩。我曾在零售、企业和私人银行、保险和财富管理等多个领域工作,包括销售和分销、产品管理、变革管理和商业智能。这20年的工作经验为我提供了强大的业务和组织意识。当数据被合理使用和有效分析时,我被数据洞察力所带来的高价值所驱使。帮助员工、团队和组织提升到更高水平的基于证据的、数据驱动的决策,从而带来巨大的经济和文化影响,是激励我的动力。人员分析是如此重要,因为它位于实现商业价值和对同事产生积极影响的甜蜜点。这个领域对许多组织来说仍然是 "新领域",当你在新的领域取得突破时,总是令人激动不已。我们目前的很多工作重点都与冠状病毒有关,这也是你所期望的。这包括跟踪同事的工作/健康状况,以便我们能够提供必要的支持,并评估对生产力的影响,确保我们能够继续为客户服务。与此同时,我们正在继续审查我们的报告组合,寻找减少和整合的机会,增强我们的洞察力套件产品,并花大量时间评估 "未来的劳动力"--它在规模、形状、技能和支出方面将是什么样子。我们最大的挑战是什么?首先,实现更高水平的数据民主化,将数据、洞察力和分析力直接交到用户手中。第二,推动脱离事后报告的转变。我希望我们不要向后看,而是要向前看,预测和预判会发生什么,以及我们需要采取什么行动。第三,也是与这两点相关的,是在我自己的团队和整个人力资源部门内建立数据和分析能力。最后,在量化、测量和报告人员分析所释放的真正价值方面,我们有很大的机会。" 以上由AI智能翻译完成,仅供参考。 来自peoplemanagement,作者:Rob Gray
    人力资源分析
    2020年05月20日
  • 人力资源分析
    如何清洗人力资源分析数据?给你6个详细的步骤指南! 数据清理是人力资源分析中的关键因素。在你分析数据之前,你需要对数据进行 "清洁"。在这篇数据清理指南中,我们将解释为什么数据清理很重要,以及你如何进行数据清理。在文章的底部,我们附上了一个有用的数据清洗信息图。 在数据分析中常说的一句话是。"垃圾进,垃圾出"。 这句话的意思是,你可以在数据分析中投入大量的心思和精力,得出很多结果。但是,如果输入的数据不准确,这些结果就没有任何意义。事实上,这些结果甚至可能是有害的,因为它们会歪曲现实。 为什么数据清理很重要? HR数据往往是脏的。脏数据是指任何包含错误的数据记录。这可能是由不同的原因造成的。 最简单的是数据丢失。其他脏数据的例子有:同一工作职能的不同标签、同一人在一个系统中的多个记录、不同系统中的不匹配记录等等。 对这些数据进行清理和排序可能是一个耗时的过程。事实上,将所有这些不同的数据源的数据进行汇总,并使其符合要求,可能需要数周甚至数月的时间。这对于国际公司来说尤其如此。这些公司往往使用不同国家的不同系统来记录相同的数据。 数据的问题是很容易被弄脏。只要数据采集程序有丝毫的差异,数据就会变得不一致。 作为公司,你可以决定一次性清理所有的数据。有些公司选择了这种策略。然而,这可能需要大量的时间。因此,只清理你需要执行特定分析的数据是更明智的做法。 这种方法可以避免很多不必要的工作,并能更快地产生结果。根据第一次分析的结果,你可以决定需要清理哪些额外的数据来运行下一次分析。 数据清理有助于运行分析的顺利进行。它还有助于正常的人力资源报告,因为清理后的数据可以反馈到人力资源系统中。这将有助于提高数据质量,对后期的数据分析和数据汇总工作极为有利。 因此,数据清洗是人力资源分析过程中的必要步骤。 数据清洗的过程 在清理HR数据的时候,有两点是你需要了解的。第一是数据的有效性,第二是数据的可靠性。 当数据不有效或不可靠时,它可能告诉你的东西和你要找的东西不一样。下面的章节将对此进行更深入的探讨。理解这两个术语是很重要的。不过,如果你想找一个更实用的分步指南,可以向下滚动到下一节。 有效性 有效性是指你是否真正衡量了你需要衡量的东西。考核系统是否只测量个人的绩效,还是(也)测量谁最受经理的喜欢?数据是在整个组织中均匀地收集,还是有这样或那样的倾斜? 举个例子。波士顿市做了一个应用程序,他们的司机可以在智能手机上安装。该应用程序将测量道路上的颠簸,并通过GPS报告其位置。这些颠簸被记录下来,然后由城市道路服务部门进行修复。据一位发言人称, "该数据为城市提供了实时信息,它用于修复问题和计划长期投资"。 遗憾的是,并不是每个人都能平等地从这个系统中受益。该应用程序主要是由年轻人和较富裕社区的年轻人使用。同时,较贫困的社区并没有平等地获得智能手机和移动数据。这是数据中的一个明显的偏差。(公平性的问题) 你可以问自己的问题,以检查其有效性。 这些数据是否代表了我们想要测量的内容? 我们测量数据的方式是否存在偏差? 数据收集的方式是否清晰、一致? 数据中是否存在离群点? 可靠性 可靠性是指反复测量同样的事情并得到同样的结果。 当你在上午测量某人的参与度时,你希望得到的结果与下午再测量时的结果相似。这是因为参与度是一种随着时间的推移相对稳定的特质。 对于不同的测评人来说也是如此。如果你让比尔和吉姆给温迪的参与度打分,你希望比尔和吉姆都给温迪打出同样的分值。然而,当用来给温迪打分的量表是模糊的,可以有不同的解释,比尔和吉姆很可能会给温迪不同的评价。这就是所谓的评分者偏见,最好避免。 这听起来可能很明显,但事实并非如此。通常情况下,报告的数据取决于其他因素,如给出的指示,以及给出评分的人的心情。当我们谈论可靠性时,这就是一个大问题。当不同的人在一天/一周的不同时间,用同样的方法测量同样的数据,是否能得到同样的分数? 在这个过程中,程序起着重要的作用。在对绩效进行评分时,如果一个经理考虑的是员工过去六个月的绩效,而另一个经理只考虑过去两个星期的绩效,那么绩效评分很可能会有差异,不可靠。明确记录的程序将有助于不同的经理人以同样的方式衡量绩效。 在这种情况下,你应该问自己的问题是: 当同一事物被多次测量时,我们是否一致地得出了相同的结果? 我们是否使用了有明确记录的数据收集方法? 每一次的数据收集说明是否都得到了遵循? 一个简单的数据清理检查表 前面关于有效性和可靠性的问题可以帮助你分析你的输入数据是否足够准确,以产生可靠有效的结果。你的数据还需要符合其他几个标准。例如,你的数据必须是最新的。 过时的数据会产生潜在的不相关的结果,可能会破坏你的结果。此外,你需要检查你是否拥有所有的相关数据:记录经常会丢失。根据您分析数据的方式,这可能会或不会造成问题。有些分析方法允许数据缺失,而其他算法在数据缺失时则会很费劲。 数据缺失会缩小你的人群范围。另外,数据缺失的人群之间确实有可能存在共同的相似性。例如,如果一个部门仍然使用过时的绩效管理系统,遗漏了某些问题,这将意味着你将缺乏该部门所有员工的数据。这就会使你的结果严重偏向于其他部门,并威胁到结果的普遍性。 这是一份实用的检查表,里面有六个步骤来清理数据。 1.检查数据是否是最新的。 2.检查是否有重复出现的唯一标识符。有些人担任的职位不止一个。系统往往会为每个职位创建单独的记录。因此,这些人最终会在一个数据库中拥有多个记录。根据不同的情况,这些记录可能会被浓缩。 3.检查跨多个字段和合并的数据集的数据标签,看看是否所有的数据都匹配。 4.计数缺失值。当缺失的值在组织的特定部分中占比过高时,它们可能会歪曲你的结果。我们在前面的例子中看到了这种情况。此外,缺失值太多(即数据不足)的分析有可能会变得不准确。这也会影响到你的结果的通用性。 5.检查数字上的离群值。计算出描述性统计数字和量值。这些数据可以让你计算出潜在的离群值。最小值和最大值是一个很好的起点。 此外,您还可以计算出区间范围。您可以通过将量值3(Q3)和Q1之间的差值乘以1.5来实现。这个结果可以加在Q3上,再从Q1中减去。超出这个范围的值被认为是离群值。这篇维基百科的文章详细介绍了如何做到这一点。 6.定义有效的数据输出,并删除所有无效的数据值。这对所有的数据都是有用的。对字符数据进行明确的定义。例如,性别被定义为M或F,这些都是有效的数据值。任何其他值都被假定为无效值。这些数据可以很容易地被标记出来进行检查。 通过使用本指南,您将能够找到大多数数据不一致的地方。提示:始终仔细查看您的干净数据,您可能会发现自己遗漏的东西。祝好运!   以上由智能的AI翻译完成,仅供参考。来自AIHR 作者:Erik van Vulpen
    人力资源分析
    2020年05月03日
  • 人力资源分析
    什么是人力资源分析?定义、重要性、关键指标、数据需求和实现 文/ Puja Lalwani 分析是指对有助于决策和性能改进的数据模式的解释。人力资源分析衡量人力资源指标的影响,如雇佣时间和保留率,对业务绩效。 人力资源是一种以人为本的功能,是大多数人都能感知到的。但对于那些认为人力资源团队的贡献仅限于提供求职信和新员工入职的人来说,人力资源分析可能证明他们错了。当战略上使用分析时,它可以改变人力资源的运作方式,以一种更加积极的方式,给人力资源提供洞见,并允许它为组织的底线做出贡献。 如果你想开始人力资源分析,这里是你可以开始的地方。 目录 第一部分:什么是人力资源分析? 1.人力资源分析、人力分析和劳动力分析:它们有什么区别? 2.人力资源分析如何驱动业务价值? 第二部分:人力资源分析衡量什么指标? 第三部分:人力资源分析工具需要什么数据? 1.内部数据 2.外部数据 第四部分:如何开始人力资源分析 1 .建立集体心态 2.引入数据科学家 3.从小事做起 4.获得法律团队的批准 5.选择一个人力资源分析解决方案 第五部分:那么,你应该投资人力资源分析解决方案吗? 第一部分:什么是人力资源分析? 为了理解人力资源分析的本质,并解释它是如何影响企业绩效的,我们请了全球人力资源分析与规划解决方案战略副总裁、SAP SuccessFactors首席专家Mick Collins为我们进行了分析。 “人力资源的作用- -通过管理组织的人力资本资产- -将影响四项主要成果:(a)产生收入,(b)尽量减少开支,(c)减少风险,和(d)执行战略计划。 “人力资源分析是一种方法,它可以让人们了解对人力资本资产的投资如何促成上述四种结果的成功。这是通过将统计方法应用于综合人力资源、人才管理、财务和运营数据。” 1.人力资源分析、人力分析和劳动力分析:它们有什么区别? 人力资源分析、人力资本分析和劳动力分析的区别 术语HR analytics、people analytics和workforce analytics通常可以互换使用。但是每一项之间都有细微的差别。它将帮助您了解差异,以便能够评估与其功能最相关的数据。 人力资源分析:人力资源分析专门处理人力资源功能的指标,如招聘时间、每位员工的培训费用和晋升前的时间。所有这些指标都由HR专门管理。 人力分析:人力分析,虽然作为人力资源分析的同义词使用很方便,但在技术上适用于一般的“人”。它可以包括任何组织之外的个人团体。例如,术语“人员分析”可能应用于分析组织的客户,而不一定仅限于员工。 劳动力分析:劳动力分析是一个包罗万象的术语,专门指一个组织的员工。它包括现场员工、远程员工、零工工人、自由职业者、顾问,以及在组织中以各种身份工作的任何其他个人。 在HR上下文中,一些劳动力分析指标和HR分析指标可能重叠,这就是为什么这两个术语经常被用作同义词。两者的目标也可能是相同的。例如,关于员工生产力和绩效的数据为人力资源和劳动力分析提供了信息,目标是提高保留率和增强员工体验。 2.人力资源分析如何驱动业务价值? HR可以访问有价值的员工数据。如何使用这些数据来支持组织中的更改? 有很多关于在员工体验中复制消费者体验的讨论。从本质上讲,与消费者行为和心态相关的数据可以为利用这些因素实现销售最大化的策略提供信息。类似地,通知HR功能的数据可以用来改进员工体验,进而最大化业务结果。 Collins提供了一个如何利用人力资源分析来提升商业价值的例子。“人力资源分析可以用来衡量重新杀戮的投资,这将提供正确的能力,支持新的收入模式,在销售结果出现时,利用数据驱动的洞见来修改培训内容。”“这是决定性的粒状数据,它不仅能影响底线,还能改变组织中的员工敬业度。” “因此,”柯林斯继续说道,“你可能会认为人力资源分析的‘投资回报率’是通过使用数据进行人才决策来增加业务价值。” 第二部分:人力资源分析衡量什么指标? 人力资源分析测量的常用指标 几个人力资源指标对业务价值有贡献,但是度量这些指标时的关键问题是:业务需要什么?这个问题最好的答案是和商界领袖交谈。管理层和人力资源主管之间的战略协作将有助于确定人力资源分析策略。基于组织的关键绩效指标(KPI), HR可以提出能够影响这些KPI的指标。 值得注意的是,高管们清楚地看到了分析需求与分析对公司利润的影响之间的联系。作为一名人力资源从业者,您将需要构建一个案例,说明为什么跟踪与公司人员相关的指标是至关重要的。例如,管理层可能对自愿离开公司的人数不感兴趣。他们可能感兴趣的是,这些员工中有多少人担任战略职位或拥有高技能,他们的就业时间,导致他们离职的原因,替换这些员工的成本,以及最后,所有这些事件如何影响公司利润。 以下是人力资源分析跟踪的一些常见指标: 1)员工人均收入:将公司收入除以公司员工总数。这表示每个员工产生的平均收入。它衡量的是一个组织在通过员工创造收入方面的效率。 2)Offer acceptance rate (Offer acceptance rate):接受正式工作邀请(非口头)的数量除以某段时间内提供的工作邀请总数。较高的比率(高于85%)表示一个良好的比率。如果低于这个数字,这些数据可以用来重新定义公司的人才收购策略。 3)培训效率:通过对多个数据点的分析,如员工在培训后的绩效提升、考试成绩、员工在组织中的角色向上转换等。 4)每名员工的培训费用:培训总费用除以接受培训的员工总数。 5)自愿离职率:当员工自愿选择离职时,就会发生自愿性离职。它的计算方法是将自愿离职的员工人数除以组织中员工总数。 6)非自愿离职率:当一名员工被解雇时,被称为“非自愿离职”。“离职率的计算方法是将非自愿离职的员工人数除以公司员工总数。 7)招聘时间:从发布招聘启事到招聘某个人填补该职位空缺之间的天数。 8)招聘时间:从接近应聘者到被录用之间的天数。 9)旷工:旷工是一种生产力指标,用缺勤天数除以计划工作天数来衡量。旷工可以洞察员工的整体健康状况,也可以作为员工幸福感的一个指标。 10)人力资本风险:这可能包括雇员风险,如没有特殊的技能来满足的一种新型的工作,缺乏合格的雇员担任领导职位,潜在的员工离开工作基于几个因素,如与经理的关系,赔偿,缺乏一个明确的继任计划。 第三部分:人力资源分析工具需要什么数据? 常见的数据源人力资源分析解决方案 一般来说,人力资源分析工具需要的数据分为内部数据和外部数据。数据收集的最大挑战之一是收集正确的数据和高质量的数据。 1.内部数据 内部数据是指从组织的人力资源部门获得的数据。核心人力资源系统包含几个数据点,可以用于人力资源分析工具。HRIS系统包含的一些指标包括: 1)  员工任职期间 2) 员工薪酬 3) 员工培训记录 4) 绩效考核数据 5) 报告结构 6) 关于高价值、高潜力员工的详细信息 7) 对雇员所采取的纪律处分的详情 这里唯一的挑战是,有时这些数据是断开连接的,因此不能作为可靠的度量。这就是数据科学家可以发挥重要作用的地方。他们可以组织这些分散的数据,并创建相关的数据点,这些数据点可以用于分析工具。 2.外部数据 外部数据是通过与组织其他部门建立工作关系而获得的。来自组织外部的数据也很重要,因为它提供了一个全局视角,而使用来自组织内部的数据则不能。 1)  财务数据:在任何人力资源分析中,全组织的财务数据都是计算的关键,例如,每个员工的收入或雇佣成本。 2)特定于组织的数据:根据组织类型及其核心产品(产品或服务),HR需要补充分析的数据类型会有所不同。例如,柯林斯说:“全球零售商的人力资源主管应该用商店收入、成本和客户体验数据来为他们的分析引擎提供动力,而建筑公司的人力资源主管可能会追求运营数据——健康和安全——以及与或有劳动力成本相关的数据。” 3)来自员工的被动数据:员工不断地提供数据,这些数据从他们获得工作的那一刻起就存储在HRIS中。此外,他们在社交媒体上发布的帖子和分享以及反馈调查的数据可以用来指导人力资源数据分析。 4)历史数据:几个全球性的经济、政治或环境事件决定了员工的行为模式。这些数据能够提供有限的内部数据无法提供的洞见。例如,2008年的经济衰退是一场全球性事件,它改变了员工对工作或“工作”的看法。随着人们不断失业,自由职业者、初创企业和零工经济开始腾飞。来自这样一个关键历史事件的数据可以帮助预测未来劳动力对类似变化的反应。然后,它可以用来确定当前劳动力的趋势,并预测自愿和非自愿的人员流动。 第四部分:如何开始人力资源分析 完整的人力资源分析周期 对于那些热衷于使用人力资源分析来进行基于数据的决策的HR领导者来说,这里有一些建议: 1 .建立集体心态 在操作和数学方面开始工作之前,HR领导者必须让他们的团队和组织为分析驱动的工作流做好准备。虽然与管理层讨论分析的必要性是变更的一部分,但是另一部分是让您的团队准备好处理他们现在将用于度量变更的数据量。这是数字化转型的一个关键方面。让团队从小型项目开始,并要求他们创建报告,以便与业务领导人讨论,这是一个很好的开始方式。 2.引入数据科学家 数据科学家将成为人力资源团队不可或缺的一部分。它们最适合评估分析解决方案的可行性。它们还可以保证统计建模和预测的鲁棒性。 正如柯林斯所说,“数据科学家将在创建跨人力资源的分析文化方面发挥宝贵的作用。随着人力资源业务合作伙伴和多面手的角色不断发展,包括数据策略、分析和沟通等技能(阐明‘科学背后的故事’),数据科学家将充当教练,指导整个人力资源部门的同事如何理解和应用这些洞见。” 3.从小事做起 要使涉众相信人力资源分析可以驱动业务价值,一个很好的方法是首先成功地实现一个小项目。这些项目被称为“速成”,可以在短时间内产生切实的成果,并具有很高的影响力。 4.获得法律团队的批准 人力资源分析使用的数据收集类型在很大程度上受法规遵循的控制。在实施人力资源分析解决方案时,需要考虑的一些法律因素是: 雇员私隐及匿名 员工同意收集的数据的数量和类型 建立数据收集的目标并通知员工 使用第三方软件运行人力资源分析时的IT安全性 人力资源分析供应商的位置——数据将存储在哪里——以及他们是否遵守当地法律 与您组织的法律团队合作,确保遵守道德规范和遵从性规范。 5.如何选择人力资源分析解决方案 任何大规模使用的人力资源分析解决方案都必须具有特定的组件。 人力资源分析解决方案的关键特性 1. 他们回答高管们提出的商业问题。这可能要求您投资于解决每个问题的解决方案,从而导致投资于针对每个问题的粒度数据的多个分析解决方案。或者,您可以选择一个可以评估多个指标来回答每个业务问题的解决方案。 2. 它们很容易被非数据科学家的个人使用。为非专业人员创建的可访问解决方案是理想的,因为他们希望在不中断数据科学家的工作流的情况下评估任何一个或多个指标。 3.它们是基于云的,而不是基于本地的。基于云的解决方案还可以在不需要大量IT集成的情况下帮助访问。这赋予HR在需要时使用解决方案的自主权。 4. 它们具有统计分析和机器学习技术。大数据平台需要以机器学习和自然语言处理为动力的先进数据管理系统。这使得该技术能够自主学习和推理,揭示数据科学家可以分析的见解。 5. 它们基于预测分析。“(预测分析)是从现有数据集中提取信息,以确定模式和预测未来结果的做法。分析师使用统计方法来预测未来的替代选择——当前的离职率是否会继续以同样的速度增长,还是会随着就业市场的走强而出现离职潮?”科林斯解释道。 6. 它们具有可视化技术。大量数据的可视化表示可以更好地理解趋势和事件。通过分析引擎处理的复杂数据需要高级可视化软件,因为它不能用简单的图表和演示文稿来表示。 7. 它们可以通过订阅模型获得。软件即服务(SaaS)平台的订阅模型非常有用,因为它们很容易让您访问最新的技术升级。它们还消除了购买分析解决方案的大量前期费用,并且可能是一种更节省成本的分析投资方式。 第五部分:那么,你应该投资人力资源分析解决方案吗? 人力资源分析提供了一些毋庸置疑的好处。它使人力资源团队能够显著地简化流程,从而降低成本、减少损耗,并因此提高底线。通过任务自动化,您可以自由地创新和探索人力资源的人力方面,而不必花费时间跟踪来自多个源的海量数据。总的来说,使用人力资源分析可以改善员工体验,直接转化为业务结果的改善。 然而,人力资源分析也带来了一些真正的挑战。正如柯林斯告诉我们的那样,“尽管人力资源部门对预测式人力资源分析的应用很有野心,但我最近采访的两位人力资源主管说,‘我们希望能够预测一切!“分析如何成为人力资源核心竞争力的愿景受到有限消费(洞见仅在人力资源的四面墙内共享)和行动(研究不会导致项目变更或新的投资)的限制。”仍有许多进展需要取得。” 此外,由于数据在整个组织中是竖井式的,关于实现分析目标的讨论也不清楚,HR对分析所需的有价值的数据常常没有得到充分利用。 挑战在于等待实际结果。预测分析可能至少需要24个月的时间来显示有意义的结果。所以,现在是时候开始人力资源分析了。 作为一名人力资源从业者,通过向关键的利益相关者提出强有力的业务案例,您可以利用分析的力量成为为业务做出贡献的战略业务伙伴。 您的组织是否计划实施人力资源分析? 以上为AI翻译,内容仅供参考 原文链接:What Is HR Analytics? Definition, Importance, Key Metrics, Data Requirements, and Implementation
    人力资源分析
    2019年05月27日
  • 人力资源分析
    HR中的Prescriptive Analytics是什么? 文/Chiradeep BasuMallick 从静态到描述性再到预测性,人力资源分析已经走过了很长的路。现在,我们正处于下一个转折点,围绕规定性分析和它对人力资源的作用展开讨论。我们分享埃森哲报告中的见解,并考虑一位工作日的商业领袖要说些什么。 在过去的几年里,分析已经成为人力资源部门的一个主要流行语。从简单的静态报告,HR团队现在期待着部署各种分析模型并做出更好的HR决策。在当今可用的各种分析技术中,描述性分析可能是最常见的(它告诉我们事件发生的原因),而预测性分析是最常被谈论的(它阐明了接下来会发生什么)。第三个类别是规范性分析,这还处于讨论的初级阶段。 说明性分析结合了静态模型和描述性模型的历史功能,并具有前瞻性。因此,用户不仅可以了解接下来会发生什么,还可以了解他们下一步应该做什么。虽然这在理论上听起来很有希望,但研究表明,关于规定分析的讨论还没有开始。 什么阻碍了Prescriptive Analytics在人力资源管理中的应用 规定性分析已经被Netflix和Spotify等科技颠覆者应用于媒体和娱乐领域。该技术处理海量的消费者数据流,查看过去的使用模式,预测未来的需求和偏好。然后,说明性层介入,建议应该显示哪些建议,如何定制特定的促销活动,以及是否可以部署任何特定的消息来吸引用户。 在HR中,这可以转化为数据驱动的劳动力计划策略,其中分配、优化和添加(招聘)的每个元素都由预定义的路线图指导。然而,当前的劳动力规划策略往往依赖于数据不足和遗留工具。应用规定性分析的机会是巨大的。它将有助于整合新的数据流,使雇主能够超越对未来趋势的全面了解,并实际识别未来的动向。 考虑到这些好处,理想情况下,公司应该尽早采用并探索规定性分析如何转变它们的人力资源功能。但对数据质量的担忧,以及这项技术的颠覆性影响,阻碍了这项技术的实施。垃圾输入/垃圾输出原则意味着,通过规定的分析生成的洞见只与输入其中的数据一样好。没有上面讨论的基本分析功能(静态的、描述性的,然后是预测性的)的公司会发现很难跨出这一步。 另一个问题是,必须仔细评估和调整规定性分析输出,以确定最相关的操作领域。对于缺乏内部数据科学能力或强大战略人才的公司来说,这可能是一个具有挑战性的过程。 关键用例及前进方向 埃森哲(Accenture)在一项发人深省的研究中发现,应用规定性分析可以帮助企业找到其现场员工表现更好的领域,为公司带来更多利润。虽然这在理论上听起来很简单,但该模型分析了4500多名现场工程师、300万件设备和7种产品,在超过12000种潜在场景中找到了可操作的见解。 这项计划的规模和特殊性是巨大的——规定性分析能够将数据栈分解为最细粒度的细节,从而为处理无数工作场景提供建议。从员工计划到内部调动,从制定培训计划到激励方案,说明性分析可以颠覆所有现有的模型。 “就像Netflix的商业模式一样。它根据我们过去看过的电影来预测一部电影,”Workday、澳大利亚和新西兰董事总经理罗布•威尔斯(Rob Wells)表示。就像亚马逊或Netflix的推荐一样简单,所有这些推荐都可以通过一个简单的界面轻松地传递给经理们——无需IT或数据分析师的帮助。“为了使这一愿景成为现实,克服之前详述的挑战,我们需要在技术、创新方面取得重大进展,并集中精力改善所有规模雇主对人力资源技术的可及性。” 以上为AI翻译,内容仅供参考 原文链接:What is Prescriptive Analytics in HR?
    人力资源分析
    2019年04月11日
  • 人力资源分析
    HR Analytics入门的5个步骤 文/ Debanjan Sen 随着人力资源在业务中发挥更具战略性的作用,人力资源分析在将人力资源战略与业务成果联系起来方面发挥着核心作用。以下是在您的组织中实施HR分析的五步指南。 作为传统上依赖直觉和其“直觉”来做出决策的功能,人力资源正在经历一次重大变革。快速采用不同的人力资源技术,使组织能够轻松访问有价值的员工数据,从而做出决策。凭借大量强大的数据,人力资源领导者和高级管理人员现在可以希望了解其人力资本战略对业务绩效的影响。 什么是HR Analytics? 人力资源分析是将统计建模和定量科学应用于员工数据,以实现更好的业务成果。分析为人力资源领导者提供了跨组织关键人员问题的可操作见解。那么,您如何开始使用人力资源分析? 第1步:集中所有员工数据 人力资源分析之旅的第一步是将不同的员工数据来源统一到中央存储库中。员工数据通常驻留在不同的HR系统,Excel电子表格和纸质记录中。跨越脱节系统访问数据是低效且耗时的。为了确保数据的准确性和一致性,拥有单一事实来源(集中式数据存储库)至关重要。一旦您整合了所有员工数据,您现在可以确定关键绩效指标,这将有助于您了解其绩效与业务成果的关系。 第2步:创建HR仪表板 数据可视化对您的分析计划至关重要。人力资源仪表板可作为所有内部和外部人力资源数据的一站式服务。所有这些数据的图形/视觉再现将使您能够监控数据并对其进行基准测试,以获得对定义成功的HR指标的洞察。您可以轻松获得有关关键人力资源指标的实时信息,例如员工人数,每FTE成本,流失率,填写时间和租用成本。 第3步:构建分析功能 大多数人力资源团队仍然是分析概念的新手,缺乏领导成功分析部署计划的必要技能。因此,必须通过与组织的商业智能团队一起进行培训,培养人力资源团队的分析能力。在组织内构建强大的分析技能后,您可以为人力资本决策建立更大的业务环境。 第4步:将HR分析付诸实践 下一步是确定需要解决的业务问题。它可以提高保留率,识别高绩效者,或降低每次雇佣成本。这里的关键是将分析与明确的业务成果联系起来。您可以根据两个基本标准确定业务问题的优先级:业务影响和所需的工作量。影响与努力矩阵应该是分析之旅的起点。从具有高影响力和低成本的想法开始。 第5步:推动持续改进 一旦您开始使用HR分析来解决业务问题,您必须持续监控分析过程中的效率低下,错误和风险,跟进重复出现的问题并实施结构更改以防止将来出现这些问题。在对流程进行微调以消除任何不一致之后,您将能够继续下一步 - Predictive HR Analytics。 从招聘到员工培训和继任计划,人力资源分析在使人力资本实践与更广泛的业务目标保持一致方面发挥着关键作用。然而,尽管一段时间以来一直处于高级管理层议程,但大多数组织尚未释放其人员数据的潜力。缺乏关于分析方法和工具的知识一直是人力资源分析广泛采用的关键障碍。此外,用于整理人员数据的团队资源不足以及人力资源分析与业务成果报告之间缺乏一致性已经减缓了人力资源分析的采用。 如果没有企业领导者在其他职能部门所需的同等水平的分析理解,组织就无法做出决策。拥抱HR分析只是构建更加数据驱动的HR功能的第一步。希望本文中概述的框架可以让您的组织开始进行人力资源分析之旅。 以上为AI翻译,内容仅供参考。 原文链接:5 Steps to Get Started with HR Analytics
    人力资源分析
    2019年02月19日
  • 人力资源分析
    人力资源分析如何帮助提高员工绩效 文/ Ritesh Patil 人力资源是全球许多企业的重要组成部分。这一角色在过去几年中不断演变。人力资源不仅仅局限于一个组织的招聘和退出过程,它还有更重要的作用。随着行业间竞争的日益激烈,人力资源管理者在组织中寻找和招募最优秀的人才变得越来越具有挑战性。从招聘空缺职位到寻找和雇佣人才,这是一项艰难的工作,招聘人员的任务直接影响到公司的底线。为了帮助人力资源部门验证它作为商业表现的重要角色,人力资源分析被应用了。 什么是人力资源分析? 人力资源分析是关于收集、组织和验证与人力资源运营相关的数据,如招聘、培训和开发、员工福利、员工关系和保留,以帮助他们在所有这些领域做出更好的决策。人力资源部门每天都在使用不同类型的软件和技术来创建大量的数据。然而,人力资源分析将这些数据转化为有价值的洞察力。 将人力资源分析应用到业务结构中有显著的好处,越来越多的企业都在争取更好的ROI。在这篇文章中,我们列出了5点,展示了人力资源分析是如何帮助你提高底线增长的。 人力资源分析如何帮助你改善公司文化 1. 重视员工培训计划? 对于企业来说,专业培训是雇佣和留住高素质员工的一个重要方面。如果对职业发展培训没有或几乎没有贡献,这可能会导致员工疲惫、士气低落和缺乏方向。 此外,一个专业发展培训计划描述了你正在帮助你的员工实现他们的全部潜力,并激励他们在他们的专业领域学习新的技能。这是一个成长中的企业重视员工和他们对公司的贡献的标志。 人力资源分析有助于识别员工的相关专业培训课程,衡量员工的进步。它分析了培训的有效性和培训过程中每个参与者的成本。 通过对参加培训的员工数量和所涉及的成本的深入了解,您就可以确定这对您的企业是否是一种具有成本效益的方法。 2. 改进招聘流程 招聘过程对雇主来说有点挑战性。通过人力资源分析,你可以通过收集员工之前的招聘信息来改善招聘流程。 例如:在面试你公司现有职位的10位候选人时,你发现6位候选人有不适合你公司文化的共同特点。利用这些信息,你可以自动删除这些申请人的特点,从空缺的职位在不久的将来,并改善招聘程序。 这是一种聪明的方法,可以减少用于评估不合适的应用程序的时间,并加快流程。同时,你有更多的时间来评估适合你的业务的候选人。 3.提高员工保留率 对于一家需要解决的公司来说,员工保留率降低可能是一个令人担忧的问题。虽然可能有各种各样的原因,但重要的是直接研究公司的文化、薪酬、结构和商业模式,以便更深入地了解裁员背后的原因。此外,您需要应用策略来限制员工数量的下降。人力资源分析可以提供数据驱动的理解为什么员工选择离开和工作的漏洞。 可能的原因包括表现不佳、缺乏技能、薪酬问题或其他公司政策。通过离职和留职面谈、员工满意度调查和团队评估,您可以发现组织中可能存在的影响员工自尊和归属感的问题。 不要忽视这些问题,你必须主动解决它们。这可以帮助你提高整体的底线,因为你将避免支付与招聘和培训新候选人相关的不必要的成本。 4. 为未来的前景让路 就像你可以提高员工流动率,避免聘用效率较低的员工一样,识别、聘用和提拔合适的员工应该是人力资源管理的重点。这就是人力资源分析帮助您识别那些可以预测组织成功的特征的地方。所以,最好是寻找人才,避免犯那些代价高昂、需要花费大量时间来改正的错误。 有时,如果个性和他们的技能以正确的方式结合在一起,这可以是一个完美的融合,以提高一个团队的效率。分析有助于优化流程,以更快地组装和释放高效团队。这不仅仅是避免错误——这是关于鼓励个人以最好的方式使用他们的技能。所有这些都是为了您的组织和客户的利益。 5. 数据收集 为了识别出相互响应良好的基本特性,以及那些不符合公司文化的特性,收集足够的数据非常重要。在这个有着复杂系统、大型企业中的团队动态和业务流动性的时代,您只需要数据。世界上的大公司投入巨资获取员工、竞争者和客户的数据是有原因的。这些组织知道数据在其合作伙伴和公众中的重要性,无论是好是坏。为了在激烈的竞争中茁壮成长,他们用数据塑造自己成功的未来。 结语 出于几个原因,企业中的人力资源分析是一个公司成功的关键因素。通过人力资源分析收集有价值的数据,可以更好地改善公司的支出、运营和生产率。 以上为AI翻译,内容仅供参考。 原文链接:How HR Analytics Can Help Improve Employee Performance
    人力资源分析
    2019年01月28日
  • 人力资源分析
    人力资源分析战略对高绩效企业至关重要的3个原因 文/ Chiradeep BasuMallick 工敬业度和生产力正在发生变化。随着您的员工在多个平台上分享意见,评论和评论,大量数据量涌入其中,充满了丰富的见解。拥有强大的人力资源分析战略可以帮助衡量绩效,调整劳动力管理蓝图,并将雇主推向更高的高度。 如今,全球各地的企业都在使用人力资源分析。对于高绩效雇主而言,智能人力资源分析战略可以带来几项总体优势,同时提高投资回报率。那么人力资源分析如何真正发挥作用,以及它对企业盈利的真正影响是什么? 我们分享了关于良好表达的人力资源分析战略影响的5个原理说明。 提高招聘精度 招聘仍然是公司的一个重要领域,充满了几个波动的挑战。人力资源分析战略可以帮助您查看以前的决策和方法,改进方法,并使招聘更符合特定要求。通过消除浪费在无用应用程序上的时间并专注于真正重要的连接,这使得该过程更快。 提高员工保留率 高员工流动率是现代企业的另一个问题。通过强大的人力资源分析战略,您可以确定员工离开公司的原因,让您重新考虑保留策略。它甚至可以检测员工脱离,这是保留的一个重要区别。 从IBM的案例中汲取灵感:Big Blue利用他们的人力资源分析战略来实时了解员工敬业度。通过分析员工之间的社交媒体数据使用情况,发现可以事先获得48%的员工参与度分数变异性。IBM开发了Social Pulse,一种“社交媒体情绪”工具,作为回应,并创建了一个基于数据的渠道来听取员工的声音。 通过评估员工流失数据,进行离职面谈和满意度调查,您的人力资源分析战略必须超越数字,并明确了解对企业有用的内容以及需要修复的内容。这最终降低了雇用新员工以取代一连串退出的成本,从而提高了底线。 释放人类潜能 招聘,维护和培养表现最佳的人才是整体企业生产力不可或缺的一部分。人力资源分析策略应该旨在消除混乱,并提供关于员工工作记录,满意度,产出以及参与项目或目标的关键见解。 因此,最值得尊敬的员工得到奖励和认可,参与度最佳,个人有能力发挥自己的最大潜能,并改善对公司核心目标的贡献。 SAP SuccessFactors人力资本管理研究高级副总裁Steven Hunt博士在与HR技术专家的对话中说。“在金融危机之后,一家大公司不得不迅速降低总劳动力成本。高级领导人获得了显示不同部门薪资和员工人数的电子表格。 他们确定了一个团队正在研究一种新的但非关键的产品,这种产品的劳动力成本相对较高。但领导者从未查看过显示团队成员能力的数据。 在让团队离开后不久,该公司发现它已经淘汰了几位技术娴熟的工程师。几个月后,该公司不得不重新聘用这些员工担任顾问,其费率远高于他们作为全职员工的薪酬。他们对公司承诺的感觉已经丧失。 这些领导者是聪明的人,他们以错误的方式解释准确的数据并盲目做出决定。他们缺乏的是充分了解其决策背景及其影响的额外数据,无论是积极的还是消极的。 使用人力资源数据的部分技术是以引导人们得出适当见解和结论的方式呈现它。这是关于在正确的背景下提供数据以及有效的分析解释。   总结 在数据是真正的变革代理的情况下,人力资源分析战略可以完全改变您的雇佣方式,员工的承认方式,评估价值和生产力的方式,最后使产出和盈利能力更加精简。所需要的只是实用和个性化的应用。   以上为AI翻译,内容仅供参考。 原文链接:3 Reasons Why an HR Analytics Strategy is Essential for High Performance Companies
    人力资源分析
    2018年10月22日
  • 人力资源分析
    贵公司是否准备好进行人力资源分析 Is Your Company Ready for HR Analytics? 尽管许多公司一直在大数据和分析方面进行大量投资,但将分析应用于人力资源的成功案例却很少。但这可能即将改变。 作者:Bart Baesens是比利时鲁汶的KU Leuven教授,也是英国南安普顿南安普顿大学管理学院的讲师 大数据和分析在当今的商业环境中无处不在。更重要的是,诸如物联网,不断扩展的在线社交图以及开放的公共数据的出现等新技术只会增加对深层分析知识和技能的需求。许多公司已经投入大数据和分析,以更好地了解客户行为。事实上,由于引入了各种监管指南,一些最成熟的分析应用程序可以在以客户为中心的保险,风险管理和财务欺诈检测领域找到。 但是,如何利用大数据和分析来深入了解贵公司的另一组关键利益相关者:您的员工?虽然我们看到许多公司加大了对人力资源分析的投入,但我们还没有看到该领域的许多成功案例。由于人力资源分析是业务分析应用程序中的“新手”,我们相信其从业者可以从将分析应用于以客户为中心的领域中获得的经验教训中大大受益 - 从而避免了许多新手错误和昂贵的初学者陷阱。 基于我们的研究和我们在以客户为中心的分析方面的咨询经验,我们提供了四个关于如何成功利用人力资源分析来支持您的战略性劳动力决策的课程。更具体地说,我们将客户分析中的一些最新研究和行业见解与人力资源分析并列,并强调四个重要的溢出效应。 第1课:建模,衡量和管理员工的网络动态。在我们自己的研究中,我们发现客户之间的关系(例如社会关系,与同一商家进行的信用卡交易,或公司之间的董事会成员关系)在解释和预测集体行为(如客户流失,客户响应)方面非常有意义。营销外展或欺诈。我们相信,这些原则可以很容易地用于在人力资源分析中收获一些悬而未决的成果。特别是,可以构建一个网络 - 员工作为节点,并根据诸如(匿名)电子邮件交换,联合项目,主机托管和人才相似性等因素与他们之间的链接进行构建,并且可能对最近这样的连接的加权进行加权。然后可以利用该网络来了解新员工融入您的员工网络的顺利程度; 出于同样的原因,在解雇或解雇员工时,了解员工的社会影响和影响非常重要,以防止病毒影响或人才流失发生在您的网络或公司中。在制定解雇决策时,应仔细联系在组织网络中充当社交影响者或社区连接器的员工,以避免在功能上断开网络的基本部分。 第2课:大数据和分析并不神奇。与任何新技术一样,从一开始就设定适当的期望非常重要。虽然它们可以成为有价值的工具,但分析技术并不是解决公司所有关键任务和困难人力资源决策的灵丹妙药。毕竟,几乎只要分析人力资源模型投入生产,它就会变得过时,因为它的生态系统(包括但不限于公司战略,员工组合和宏观经济环境)经常会发生变化。因此,人力资源最终用户使用他或她的商业智慧,经验以及对问题和组织的了解来批判性地解释,反映,调整和操纵分析模型的结果,这一点至关重要。例如,如果您的分析模型告诉您,您的招聘和解雇政策完全没有 - 或甚至是歧视性的,该怎么办?你使用错误的选择标准或正在寻找不可能的?最近客户流失可以追溯到特定员工的离职?任何意外但有效的分析结果都应该以认真和深思熟虑的方式进行。显然,这需要人力资源经理具有既知情又开放的心态。 第3课:分析人力资源模型应该做的不仅仅是提供统计绩效 - 他们应该提供商业见解。在任何业务环境中部署分析模型时,典型的新手错误是对统计性能(如拟合,相关,R平方等)和过于复杂的分析模型的盲目痴迷。统计绩效很重要,但分析性人力资源模型应该做得更多。另外两个重要的绩效标准是模型可解释性和合规性。 可解释性意味着任何基于分析的人力资源决策都应该得到适当的激励,并且可以简单地向所有涉及的利益相关者解释。这种对简单性的追求阻碍了使用过于复杂的分析模型,这些模型更多地关注统计性能而不是正确的业务洞察力。 另一个关键性能标准涉及模型合规性 保护法规,隐私和道德责任对于成功部署HR分析至关重要。这在人力资源应用中尤为重要。应始终谨慎解释分析模型,在选择构建分析HR模型的数据时,应尊重性别平等和多样性。 第4课:回溯测试分析人员模型的影响。在客户分析中,模型的平均寿命为两到三年,我们没有理由相信这在人力资源分析中会有所不同。然而,考虑到人力资源决策对组织和个人的影响,重要的是通过将预测与现实进行对比来不断地对人力资源中的分析模型进行反向测试,以便可以立即注意到任何性能下降并采取行动。例如,从招聘的角度来看,应该不断评估招聘前的有效性(哪些招聘渠道给我们的候选人提供正确的资料?)和招聘后的有效性(招聘渠道给我们最好的候选人?)。 我们相信现在是时候增加您对人力资源分析的投资了。一旦您的人力资源分析工作成熟,我们就会期待组织的下一个变革步骤。我们认为,当组织将人力资源分析的结果与客户分析的结果汇总在一起时,我们就会发生这种情况。然后,公司可以更全面地了解他们的两个关键人力资产组合之间的关系:员工和客户。 关于作者 Bart Baesens是比利时鲁汶的KU Leuven教授,也是英国南安普顿南安普顿大学管理学院的讲师。他还是“ 大数据世界中的分析:数据科学及其应用基本指南”一书的作者(John Wiley&Sons,2014)。Sophie De Winne是KU Leuven的副教授。Luc Sels是KU Leuven的经济学和商业学院教授和院长。 Is Your Company Ready for HR Analytics? Although many companies have been investing heavily in big data and analytics, there have been few success stories in applying analytics to human resources. But that may be about to change.   Big data and analytics are omnipresent in today’s business environment. What’s more, new technologies such as the internet of things, the ever-expanding online social graph, and the emergence of open, public data only increase the need for deep analytical knowledge and skills. Many companies have already invested in big data and analytics to gain a better understanding of customer behavior. In fact, due to the introduction of various regulatory guidelines, some of the most mature analytical applications can be found in customer-focused areas in insurance, risk management, and financial fraud detection. But what about leveraging big data and analytics to gain insights into another group of your company’s key stakeholders: your employees? Although we see many companies ramping up investments in HR analytics, we haven’t seen many success stories in that area yet. Because HR analytics is “the new kid on the block” in business analytics applications, we believe its practitioners can substantially benefit from lessons learned in applying analytics to customer-focused areas — and thus avoid many rookie mistakes and expensive beginner traps. Based upon our research and our consulting experience with customer-focused analytics, we offer four lessons about how to successfully leverage HR analytics to support your strategic workforce decisions. More specifically, we will juxtapose some of our recent research and industry insights from customer analytics against HR analytics and highlight four important spillovers. Lesson 1: Model, measure, and manage your employee network dynamics. In our own research, we have found that ties between customers (such as social ties, credit card transactions made with the same merchants, or board membership ties between companies) are very meaningful in explaining and predicting collective behavior such as customer churn, customer response to marketing outreach, or fraud. It is our belief that these principles can be easily used to harvest some low-hanging fruit in HR analytics. In particular, a network can be constructed — with employees as the nodes and with the links between them based upon factors such as (anonymized) email exchanges, joint projects, colocation, and talent similarity, and possibly weighted for how recent such connections were. This network can then be leveraged to understand how smoothly new hires will blend into your workforce network; it also can be used to quantify the optimal mix, from a performance perspective, between behaviors that bring cohesiveness to the employee network and those that bring diversity.   By the same token, when laying off or firing employees, it is important to understand the social influence and impact of an employee in order to prevent viral effects or talent drain from happening to your network or company. Employees who serve as social influencers or community connectors within your organization’s network should be carefully approached when making firing decisions to avoid functionally disconnecting essential parts of your network. Lesson 2: Big data and analytics are not magic. As with any new technology, it is important to set appropriate expectations from the outset. While they can be valuable tools, analytics techniques are not a panacea for all of your company’s mission-critical and difficult HR decisions. After all, almost as soon as an analytical HR model is put into production, it becomes outdated, since its ecosystem (including but not limited to company strategy, the employee portfolio, and the macroeconomic environment) is constantly subject to change. Hence it is of key importance that the HR end user critically interprets, reflects, adjusts, and steers the outcomes of the analytical models using his or her business acumen, experience, and knowledge of the problem and organization. For example, what if your analytical model tells you that your hiring and firing policy is not at all sound — or is even discriminatory? That you are using the wrong selection criteria or are searching for the impossible? That the recent loss of customers can be traced back to the departure of a specific employee? Any unexpected yet valid analytical findings should be approached in a careful and thoughtful way. Obviously, this requires HR managers with a mindset that is both informed and open. Lesson 3: Analytical HR models should do more than provide statistical performance — they should provide business insights. A typical rookie mistake when deploying analytical models in any business context is a blind obsession with statistical performance (such as fit, correlation, R-squared, etc.) and overly complex analytical models. Statistical performance is important, but analytical HR models should do more. Two other important performance criteria are model interpretability and compliance. Interpretability means that any HR decision based upon analytics should be properly motivated and can be simply explained to all stakeholders involved. This quest for simplicity discourages the use of overly complex analytical models that focus more on statistical performance than on proper business insight. Another key performance criterion concerns model compliance. Safeguarding regulations, privacy, and ethical responsibilities is crucial to successfully deploying HR analytics. This is especially important in HR applications. Analytical models should always be interpreted with caution, and gender equality and diversity should be respected when selecting the data to build your analytical HR models. Lesson 4: Backtest the impact of your analytical workforce models. In customer analytics, the average lifespan of a model is two to three years, and we have no reason to believe that this will be different in HR analytics. However, given the impact of HR decisions on the organization and on individuals, it is important that analytical models in HR are constantly backtested by contrasting the predictions against reality, so that any degradation in performance can be immediately noticed and acted upon. For example, from a hiring perspective, both the pre-hire effectiveness (which recruitment channels give us the candidates with the right profile?) and post-hire effectiveness (which recruitment channels gave us the best candidates?) should be constantly evaluated. We believe the time is right to boost your investments in HR analytics. And once your HR analytics efforts have matured, we look forward to the next transformative step for organizations. That, we think, will take place when organizations can bring together findings from HR analytics with those from customer analytics. Then companies can more fully understand the relationships between their two key sets of human assets: employees and customers. ABOUT THE AUTHORS Bart Baesens is a professor at KU Leuven in Leuven, Belgium, and a lecturer at the University of Southampton School of Management in Southampton, U.K.; he is also the author of the book Analytics in a Big Data World: The Essential Guide to Data Science and its Applications (John Wiley & Sons, 2014). Sophie De Winne is an associate professor at KU Leuven. Luc Sels is a professor and dean of the faculty of economics and business at KU Leuven.
    人力资源分析
    2018年07月16日
  • 12
关于我们  | 商务合作  | 加入我们  | 那年今日  | 招聘科技峰会精彩回顾  | 上海科技峰会回顾  | 首届HR区块链峰会  | 2017HRTech年度颁奖  | people analytics  | 候选人体验大奖  | 友情链接  | HR科技极客大奖  | 深圳科技峰会精彩回顾  | HR共享服务平台  | 三支柱论坛2018  | 2018数字人力资源科技奖榜单  | 2018 数字人力资源科技奖  | 北京2018HRTechCon精彩回顾  | 2018HRTechXPO  | 2018TOP100人物榜单  | 2019年度活动计划  | 2018年度大奖揭晓  | 2018投融资报告  | 2017投融资报告  | INSPIRE 2019精彩回顾  | 2019海外活动计划  | 2019北京招聘科技论坛精彩回顾  | 2019深圳人力资本分析峰会精彩回顾  | 2019中国人力资源科技峰会上海精彩回顾  | 2019HR科技极客大奖  | 北京HRTechXPO未来馆精彩回顾  | 深圳·2019招聘科技创新论坛精彩回顾  | 2019候选人体验大奖榜单  | 中国人力资源科技云图  | 招聘科技云图  | 2019上海招聘科技创新论坛精彩回顾  | 深圳7月19日HRTechXPO精彩回顾  | 2019HRPA上海站精彩回顾  | 2019中国人力资源科技创新奖  | 深圳·2019中国人力资源科技年度峰会精彩回顾  | 2019北京HR科技峰会精彩回顾  | 2019数字人力资源科技奖榜单  | 2019HRTechChina TOP人物榜单  | 2019HRTechTOP人物列表  | 2019HRTechXPO-上海精彩回顾  | 2020HRTechChina品牌活动计划  | 2020HRTech云图入口  | 共同战疫专题  | 2019年度评选榜单  | 2020招聘科技创新虚拟峰会精彩回顾  | 助力企业共同抗疫专题  | 2020年度候选人体验大奖(中国地区)榜单揭晓  | 2020HRTech虚拟峰会精彩回顾  | 提交业务需求  | HR专业直播  | 2020HR科技年度峰会·上海精彩回顾  | 2020HR科技年度峰会·深圳  | 2020中国人力资源科技创新奖榜单  | 2020员工体验中国峰会上海精彩回顾  | 2020数字人力资源科技奖(DigitalHRTech® Awards 2020)获奖榜单重磅揭晓  | 2020中国人力资源科技影响力TOP人物揭晓  | 2020中国人力资源科技影响力TOP人物榜单  | 北京·2020中国人力资源科技年度峰会  | 上海站精彩回顾-2020HRTechXPO未来人力资源科技论坛  | 影响力品牌50强  | 2020HRTechXPO未来人力资源科技论坛·北京站精彩回顾  | HR科技云图认证服务  | 员工体验中国研究院  | EXInstitute.cn  | 2021年度HRTech活动计划安排与评选奖项计划
 Hotline: 021-31266618   Email:hi@hrtechchina.com