在实际工作中，人力资源部似乎是企业中使用数据最少的部门，与财务部、市场部等相比，人力资源部更偏重于采用定性的语言来描述工作，不擅长运用数据来辅助决策。事实上，人力资源从业者长期以来积累了大量有价值的数据。

"把人看作单一的数字"听起来有些可怕，但事实上，只有当HR部门可以量化自己的影响，并通过使用数据来影响业务决策时，才能成为真正的业务伙伴。

过去20年，互联网极大改变了我们的生活，但对于组织的改变相对较小。大部分企业使用的还是十年前的软件，管理模式还是以前的沿袭，企业人力资源的变化、信息化的进展，人才管理技术和思想更新也相对缓慢，根本原因在于“改变的迫切性不够”。但随着数智化时代的来临，组织逐步从矩阵式变成网状结构，人才管理就变得无比关键；与互联网一起成长起来的新生代员工大量进入职场，对组织中人和人之间的关系提出了更新的要求，内外两股力量都在推动组织变革。尤其在智能技术突飞猛进的背景下，组织变革在未来3～5年将进入加速期，数智化会让我们的人才管理水准提升到一个新的层次 。

数据作为一个专有名词，在几年内衍生出了如大数据分析、敏捷数据分析、大数据应用、智能数据等一系列相关的新名词，大数据也被誉为“数智时代的石油 ” 。前段时间，互联网巨头字节跳动发布了一则招聘HR职位的消息，在社交媒体上引起了广泛的热议。

热议的原因在于从字节的薪酬分位表中，人们惊讶地发现这一人力资源岗位的最高月薪居然高达11万元！这个数字远远超过了许多HR从业者的年薪水平。如此慷慨的薪资不但吸引了众多眼球，同时也不禁让业内人士对数据分析的价值和潜力进行深思。为何数据分析在人力资源领域如此重要？为何在市场竞争中对这类专业人才的需求如此之高？

似乎一夜之间，企业被置于不谈数据就落伍了的浪潮中，因为无论是人工智能还是信息系统，所有这些技术的基础都离不开数据，越来越多的企业将数据分析的结果作为战略决策的指引，在有限的时间内从庞大的信息中找到优先需要重视的问题并研究对策。与组织人力资源和人员管理息息相关的人才数据亦是如此，在数智化转型的大背景下，人才数据的运营与应用也承接了企业数智化转型的重任，随之而来的人才数据分析也成为一种新兴管理模式，以往“文科生式”的工作描述，例如“我们公司员工的生产效率比较高，公司团队的氛围有待改进，最近很难招募医药研发人员，最近人员流失问题比较突出”, 会渐变成这样的画风：“我们公司的人效比行业平均水平高30%;公司的敬 业度调查结果比去年下降5个百分点；目前平均医药研发人员的招募时间是3 个月；目前为止，员工的年化离职率为40%”。这种量化的思维和表述方式在组织环境下能够让我们更理性地看待问题，除此之外，这种管理模式和以往的管理方式存在以下特点：

● 以事实为基础的主动分析。

● 以数据为基础的决策制定。

● 让人才管理变得更加严谨。

● 将人才资源投入提升到更加重要的位置。

● 为直觉式人才管理带来足够的客观依据。

那么什么是人才数据分析?简单点说就是对数据进行分析的过程；具体点说，就是让数据经过提取、转换、加载、建模、绘制结论，最终为决策提供支持的过程。人才数据分析是通过对数据的分析以及深入研究，进而做出更好的决策。之所以更好，是因为这些决策的制定基于事实和数字，而不是依赖直觉。也正是基于事实，组织才能够验证在实现人员最佳管理方面的假设。

人才数据分析是人力资源管理、数据分析与财务的一个交集。它需要一套超越那些传统HR领域的技能，这意味着组织需要各种技能来实施相关数据分析。

HR数据分析更倾向于人力资源管理，而人才数据分析是将数据科学及其原则应用到人才管理领域中。当然，仅对HR实践有充分理解是不够的，对数据进行分析也很有必要。这就需要在统计学和数据分析技能方面有一定的基础，通过联系数据、开展回归分析、采用结构化方程建模或使用其他方法来分析数据。

     数据分析的目的

对企业而言，数据分析是要解决某些业务中遇到的问题，帮助决策者做出更优质的决策，根据企业对数据分析的要求，我们将数据分析分为三大类：分析现状、分析原因、预测未来。

(1)分析现状。

分析现状是企业数据分析最基础的目的，通过数据分析 了解目前企业的人才结构、人才分布、能力分布、价值观、继任健康度等情况，还可以了解企业的生产经营情况，企业的营收利润、人效、钱效等。

(2)分析原因。

在了解了企业的现状之后，我们不知道是什么原因造成了目前的现状，不知道背后的影响因素是什么，这时就需要进行原因分析，找出背后真正的原因。

(3)预测未来。

数据分析的第三个目的就是预测未来，举个例子说，企业通过对继任图谱的分析，企业决策者就能清楚地看到每个岗位的继任情况， 某个岗位出现空缺后是否能够快速地补充人员，如果不能，我们应该采取什么措施来应对，以确保每个岗位空缺后都有人员快速上任。

     数据分析的基本类型

根据不同工作流程所处阶段和分析需求角度出发，数据分析可被划分：描述性分析、诊断性分析、预测性分析和处理方式分析四种类型。

(1)描述性分析。

描述性分析主要汇总原始数据，并将其转化为可以理解的形式，例如各 种报表、图表等。需要注意的是，描述性分析通常是从过去的数据提取出有

价值的见解，但往往不具备解释问题发生原因的能力。

(2)诊断性分析。

诊断性分析是在描述性分析的基础之上，进一步对数据进行分析处理。 通过诊断性分析，可以深入挖掘问题根源，识别依赖关系，找出影响因素。 借助联动、下钻、挖掘、预警等方法，可以知道问题是如何产生的，企业需要关注哪些方面来帮助解决问题。

(3)预测性分析。

相较于描述性分析和诊断性分析在过去数据上的集中，预测性分析往往更能说明未来可能发生的事。通过使用描述性和诊断性分析的结果来检测趋势、异常或做聚类分析后，对未来进行动态预测。

(4)处方式分析。

处方式分析是基于对“发生了什么” “为什么会发生” “可能会发生什么”的分析，通过算法手段让决策最优化，来帮助用户决定应该采取什么措施，以便消除未来可能发生的问题或获得更有利的趋势。作为最先进的分析方法，它不仅需要历史数据，还需要很多外部信息，利用更为复杂的工具和技术，如机器学习、业务规则和算法等，这也决定了它的实施和管理相对于其他分析类型来说更加复杂。

基于数据分析这一管理时尚背后的冷静思考：HR部门通过构建系统化、智能化的数据平台为组织带来增量价值，其实质是因时因地做出智能化的人才管理决策，获取、发展以及留存所需的人才，为企业战略、业务和经营持续提供人才梯队支撑。我们不禁提出以下问题：

● 人才数据分析会不会像“ 一分钟管理” “企业再造”等很多引人注目的新观点一样没法持续下去?

● 这种形式是否有沦为消退的管理潮流的风险?

●有哪些陷阱会导致它成为一阵风?

本文节选自《数智化人才管理：组织与人才效能提升指南》一书。‍‍