人力资源部门作为企业必不可少的部门之一，每年经手的数据量之大、类型之多可想而知。特别是在如今信息爆发式增长的时代，海量数据沉淀的背后是亟待挖掘的数据宝藏。

然而目前大多数人力资源部门还在做传统的“体检型”数据分析，不管有用没用，所有数据来一遍图表，男女比例、学历构成、离职趋势等等，这些有一定价值，但都是泛泛之谈。

众多数据潮流淹没了那些“发光的金子”，真正的大数据分析要的是“治病型”，针对痛楚问题开展分析，利用数据找到病灶，充分发挥人力资源部门的价值。

“如何能把人力资源从成本中心变为为企业盈利部门，让各业务老大们视为自己人，是从业HR多年的我在思考与摸索的。”这是某制造企业的HRBP王同学的目标，并且为之展开了行动，但是现实中却发现诸多瓶颈：

海量数据无法高效处理？

造型企业日常管理中积累了大量数据，其中HR部门尤甚，如培训记录、出勤记录、加班记录、请假记录、招聘面试数据、绩效评价等，每月数据量达2万行；

Excel可以满足部分数据分析，但数据达到一定量级后，很容易造成死机；

数据孤岛阻碍价值探索？

企业投入的诸多系统“各自为战”，同时还存在部门壁垒，形成了数据孤岛；

进行数据分析需要收集多个平台数据进行整理和数据清洗，耗时耗力；

无法实现数据串联，造成数据浪费，隐藏在数据中的价值未被发现，也难识别；

数据如何保证又快又准？

领导临时交代的分析任务，如离职率分析、在职人员经验等数据，为了保证数据实时性，每次都要把之前所有分析过程在走一遍，效率非常低。

为实现个人价值与组织共赢，王同学积极参与企业业务，但光“动嘴皮子”很难去说服别人，更不可信，所以拿“数据”说话是必要的手段。

接下来王同学通过以下三个场景案例分享个人实践过程：

场景1：午餐排队时间过长，是否要调整时间错峰进餐？

公司分两个职场，两地步行约10分钟。主职场有A、B两个食堂供餐，副职场由B食堂送餐。食堂通过刷卡就餐人次同公司结算账款。副职场甲部门同事同后勤反馈就餐排队时间过长，要求更改进餐时间。

一般此类事情领导第一时间会想到让HR处理，加上由于和个人体感不符，所以作为积极主动的HR一枚，王同学同后勤处要了食堂的5个工作日刷卡数据。利用数据来看看实际情况如何：

1、了解每日整体就餐人数，以及各食堂人员分流情况

通过FineBI 导入刷卡就餐数据，关联人事数据后发现就餐人里出现了已经几位离职的伙伴“去而复返”，而且两位是已经离职5个月的人。这是出现了风控问题：首先立刻联系公司IT注销已发现的两人权限；再要求IT核实一年内离职人员权限是否均已失效；同时审核离职流程中权限注销节点是否出现BUG；至于离职人员刷卡消费产生的损失，交由后勤处理。

回到本次要看到的内容，数据显示每天会有约30%的在副职场工作的人员花费20分钟跑去主职场食堂就餐。从就餐人数看甲部门人员远小于乙部门。

2、反映排队的食堂，员工集中就餐时间

从热力图中的趋势线可发现副食堂就餐密集时间为11:28-11:48，甲部门就餐高峰为11：29-11：39，虽有重叠但甲部门人数较少且整体人员就餐时间分散，更改就餐时间影响意义不大。本次事件分析除了能为后勤管理决策提供一定参考意见，同时也发现了潜在的风控问题，发现漏洞及时止损。

场景2：项目多加班长，项目经理要求社招加人，要不要招？

项目经理在月度例会上提出了抱怨，说是近半年项目太多，工程师一直在加班，需要再增加人员，需要HR进行社招。

招不招？招多少？分配给谁？可不是拍脑门就能确定下了的。在同总部申请人头数前，还是要用数据说话，底气足好办事：

1、了解人员负荷情况和各月加班趋势，探究加班是普遍趋势还是个别情况

从近半年加班数据看，人均加班小时数与整体加班小时有下降趋势：

54%的员工加班小时在70h以内，平均到每月约12h，较为正常；

24%的员工加班时间在100-200h，日均加班1.5h，在可接受范围；

超300h的仅3%；

从个人加班排行看，一位仁兄异军突起，且个人申请的加班小时占了个人加班的80%。

从员工加班词云也可直观发现，加班异于常人的只有非常少的小部分人。

2、了解加班严重的是哪些群体

过滤出加班超过300小时的人员：

通过饼图可直观发现工作经验不足3年人员占比50%，这部分人员需识别是技能不足，还是工作负荷较大导致的加班：

如果是技能不足，需要安排辅导与培训；

如果是工作负荷原因，建议酌情安排分工；

从各项目组看，D组加班比例较高。需同业务负责人聊聊是项目阶段情况，还是人员不足。

各项目组还有部分“准点下班人员”，大家雨露均沾下，是否可行？

基于以上分析，针对业务要求加人的请求，暂时先进行人员储备，如持续高水平加班，则适当进行人员补充或采用借调方式补充“人力”，针对识别出的几个“异常点” ，核算后采取临时支持措施。

场景3：员工离职原因必选“晋升困难”，到底有多难？

离职检查单中离职原因“晋升原因”基本是必填选项。离职面谈时员工也会就这点”深入浅出”聊聊。聊天吐槽后，数据汇总完，就真的完事了？领导问你离职原因，你直接来句“晋升困难”信不信领导瞪你。而且从信度与效度的角度，简单的离职检查单是不够的。考虑如下两点分析：

1、考虑基数与受众因素聚焦主管级，从人事档案中抓取从入职到晋升主管的时间

从各部门人员晋升到主管需时间排行来看，最难的当属战略部，而生产部门相对较好，所需时间均低于平均值。

公司整体与项目部晋升时间对比看，项目部人员晋升所需最大时间远小于公司整体，但项目部仍处于最难提升的TOP5内，从数据层面印证了员工反馈的“晋升难”问题。

从人员年龄与工作经验维度对比，“年轻人”更容易晋升，公司晋升政策对此有一定影响。从人员激励与保留角度，建议公司仍需考虑“年龄较大，经验丰富”的基层人员激励方案。

PS：由于绩效为晋升硬性要求，不具有分析对比价值，在此未单独罗列。

2、公司晋升时间现状如何，均值与中位值情况与影响因素

“晋升”作为人员保留的手段之一，可谓企业为数不多的杀手锏。但从数据对比中发现，仍会有10%人员在晋升后选择离职，离职日期与晋升时间相距不足1年。是我们晋升决策过于冗长，还是对晋升人员没给予足够的培训辅导，是需政策制定者反思与深究的。

总结

“通过BI的自助数据集，只需一次数据编辑，制作仪表板，后面每月更新文件，上传更新Excel数据就行，更便捷。领导临时交代的任务，也能很快的交付，并且提供更多维度的选择。

通过数据的分析和拆解组合，能看到之前忽略的信息，比如高加班时间的人员构成中高年龄段人员数量占比很高，这是很大的企业用工风险项。BI助力我们识别企业发展道路上的坑。”

通过王同学的分享，我们发现即使是没有任何基础的业务人员也能轻松上手FineBI，通过自助数据集创建，业务人员可以轻松获得自己需要的数据，进行自主分析。如果您或您的团队在数据工作中，也面临类似的情况，不妨和王同学一样加入BI工程师从入门到精通实战班的行列，学习FineBI工具的操作使用和数据分析的方法。