​人力资源数据分析体系（人力资源管理的实践与思考）

人力资源数据分析体系（人力资源管理的实践与思考）

编辑导语：随着各行业的不断进步发展，以及如今数据产品在工作中的使用频率，各行业中都对数据产品有一个新的认识；在人力资源管理方面，也对数据产品有了进一步的运用；本文作者分享了关于人力管理分享以及数据产品的思考，我们一起来了解一下。

人力资源管理方向正在发生着深刻的变革，不论在宏观层面还是微观层面，越来越多的决策都离不开数据。

数据产品作为链接业务和数据的桥梁，深入的影响着管理决策、流程优化、员工体验；但与此同时，人力数据产品也面临着建设周期较长、业务问题不足够明晰、对数据有不合理预期、效果和价值难以量化等诸多挑战。

应该如何客观的理解数据在人力管理方向的价值，以及如何有效的推进数据产品的建设是一个值得深入思考和不断探讨的主题。

一、理解对齐

我们在探讨这个主题时，先对齐理解和澄清概念，大家关注下面的维恩图。

1. 把控几个关键词：数据、产品、人力

引用百度百科的专业定义去理解下人力、数据、产品的含义。

其实我们今天所探讨的范畴是人力数据产品，是上述三个领域的交界1，每个领域都有其延伸的领域范畴；人力产品（交界2）、数据产品（交界3）、人力数据（交界4）其实都是名词；互换个视角，产品化人力、数据化人力、产品化数据更多传递的是动作和做这件事情的意义。

2. 数据产品通过数据来传递价值

通过收集和挖掘数据的价值，来为受众（2C、2B、2G）创造价值的一种产品形式，这也就是目前产品的主要几类受众对象。

从产品类型角度再来理解下数据产品的定位。首先人力数据产品是企业数据产品（2B方向）。

从层次划分上来说，数据产品有三个核心层次，数据层面、算法层面、应用层面。这三个层面分别聚焦不同的意义和范畴。

从产品类型上来说，有工具型产品、服务型产品；从价值归类的角度，或者从需求层次理论上来划分，有生存型（离开这个数据产品无法工作）、服务型（有了这款数据产品可以更好的工作）、品质型（数据产品可以有更极致的工作体验）。

其实除个别特定的工具产品外，人力数据产品大部分为服务型的数据产品，这个基础的定位决定了人力数据产品的价值呈现是一个不断追求好上加好的过程，价值抽取是逐步深化，日趋精专的过程。

3. 数据传递价值的途径是帮助决策，而不是直接创造利润

数据产品的价值体现，也有两个核心词汇：影响决策或行为，这也是一个非常关键和核心的点，就是说数据产品不直接产生经济价值，而是通过产生影响决策或行为的附加方式而间接产生经济价值。

为什么说这两个词比较关键呢？是因为数据产品的着落点一定要落到这两个核心词上面来，那就是寻找对决策或行为有影响的价值点。

找寻有价值影响力的点的途径一个是业务导向、一个是数据导向。

总结为两点：哪里有决策，哪里就有潜在需求；同样哪里有数据，哪里就有潜在需求。比如决定是否录取该员工，这是一个决策点，那么就可以切入，通过数据途径如何可以帮助做出该决策，它就变成了一个产品价值挖掘点。

同理，数据其实是业务的反映，我们有人事测评的数据，这些数据有哪些意义和辅助参考，在哪些环节中会发挥作用，会关注到该部分数据，它就变成了一个产品价值挖掘点。

4. 数据产品经理是一个跨界砖家

理想很丰满，现实很骨感。

数据产品经理应该是介于业务分析师、工程师、数据科学家之间的交界角色；懂业务、懂数据、懂分析并且具备转化为产品的能力，他人眼中的数据产品经理是八面玲珑，实际可能只是游离于数据和业务之间的寸步难行。然而，我们要抬头看得见天，低头稳得住步。

产品经理就是面对复杂的问题，所以一定要有理得清千头万绪、藏得下星辰大海的情怀。

二、业务与场景

对齐了基本面的理解，我们要聚焦到人力数据产品。

我们先思考一点，在人力资源领域，从数据到价值变现的路径，需要关注和思考到的点有哪些？

1. 数据要产生可行性见解，辅助决策或行动

产品本身是需要解决业务中的问题，在人力资源管理方向，数据价值呈现的途径可以归纳为三点：还原场景、量化反馈、帮助理解人性。

通过对业务问题的理解，结合数据层面的思考，构建解决问题的框架，通过业务建模和数据建模的手段，在战略或战术层面给予决策或行动方向的建议。

从数据价值层次上来说，我们要回答发生过什么、正在发生着什么、为什么会发生、将来会发生什么、以及应该如何去应对；数据产品提供描述性分析、交互式分析、预测性分析、建议性分析；在实际操作层面，人力数据方向其实在各个层面均有涉及，要把控好数据产品的价值定位与思考。

2. 数据要从业务中来，到业务中去

价值的体现一定是为业务创造价值，深入业务是价值抽取的第一要素。我们需要理解下，组织是处在什么样的内外环境和领域当中？

在人力资源管理领域，数据化的三大核心要素：组织、人才、文化。围绕组织目标的推进与达成，人才的动机驱动与管理。

通过数据技术，改变吸引、猎取、培养、留住人才的方式，关注PA（People Analytics）和EX（Employee Experience），组织和员工之间构建起双赢的雇佣关系，员工有更开阔的职业发展路径，组织可以更高效的达成目标。

进一步拆解下人力资源管理的业务过程，从战略管理、到管理过程、到管理结果，数字化可以在各个环节中发挥更多的作用。

3. 还原场景：从谁的视角出发？解决谁的关键问题

这个是价值抽取中最难的一个环节。从谁的视角出发，是说谁最终为产品的价值来买单。有一些工具或方法论比如IMPACT框架，可以帮助去更好的挖掘关键用户的关键诉求。

有很多情况下，我们确实找错了用户，找错的用户的关键诉求。你以为的真的是你以为的么？不要做过多路径依赖的事情，这也是从产品构思到落地环节最难的一个步骤。

4. 关注价值：PA是没有终点的旅行

人力数据分析领域，PA其实是价值呈现的又一个关键环节；但正如文初所表达的内容，人才管理是有很多个变量和维度，如果没有客观的认知，在人力分析方向的投资评估就会遇到很大的挑战。

数据产品必须先有所可视，有所洞察，才能有所改变。也就是凝炼成这么几个字：可视、洞察、改变。尤其人力方向，人们必须看到东西，才能有所触动、有所思考、有所批判，从而逐步产生符合预期的产品。

PA的三大目标：让HR更懂企业中的人，让管理者的决策更科学，让员工更加了解自己。

从另外一个角度，人力大数据分析，可能更多的价值和数据体量不是线性正比关系，我们可能会更倾向于这么来表达它的价值：大数据时代，小数据应用。

从数据的生命周期管理来看，在数据产生阶段，我们往往会觉得数据有很多可以挖掘的价值，对它是有比较多的期望，但随着数据整理阶段的深入，发展因为数据质量问题、业务维度定义问题等并不及我们的预期，我们把它定义为发现信息的阶段，这个阶段数据的价值，是有一个上升到下降的过程，可以把它成为第一阶段价值预期矫正阶段。

在数据研究阶段，通过数据可视化、模式探索、组合分析、理解业务与深入挖掘，这个阶段的价值比整合阶段会有所延伸，数据价值预期会有所回升；当以产品的形态最终去呈现给用户时，就会面临第二次的价值矫正阶段。思考、质疑、批判、建议，通过这个修正链路，从而转化为符合预期的产品。

经过第一轮和第二轮的价值认知矫正阶段以后，对数据会有合理的预期和判断，包括建议和输出，这个时候就是数据价值客观呈现的时候；经历过这个阶段之后还会有第三轮的价值矫正阶段，就会更为深入。

终极目标是什么呢？Known How、Known Why、Known What。

5. 搭建PA分析的框架

其实在数据分析层面，我们必须先建立一个框架性的分析体系，从而辅助我们进一步的迭代和优化。

通过如下的PA分析框架，帮助我们去理解人力数据分析的相关业务，从而找寻到业务分析的价值点，产出产品的数据价值。

人力分析PA框架，我们把它拆解为七大分析支柱，1大数据底座，1大终极目标。在人力大数据分析背景下，正逐步的从传统的人才管理导向，往员工体验方向转型推进；但最终的主线一定是需要着落在承接组织目标，驱动人才职业生命周期管理上来。而链接这个底座和终极目标的就是7大分析支柱。

三、实践与反思

1. 如何有效的开展PA分析工作

围绕着人力数据的产品建设，大部分推进过程非常艰难的本质原因在于：

对需求挖掘和用户研究不够深入；缺乏产品或管理的理念，被碎片化的需求所被动牵引，没有形成体系化的产品建设方法论；对用户和产品的体验没有足够的关注度。

实用主义的做法，在推进数据建设中成了一个比较现实的妥协策略。

总结如下几点，在人力数据分析方向开展PA工作的几大着落点：

目标和价值导向：PA的分析目标与组织目标、业务活动的目标紧密相关，要让数据产生管理价值；数据化思维引导：避免完全依赖直觉、本能或经验、而不是使用数据处理关键业务问题，建立数据化文化导向；快速建立信任关系：快速可测量的案例去建立动力和创新意识；小处入手分步交付：从小问题入手，但要有一个全局的框架和长远的目标，层层分解目标，分阶段交付；数据和模型线上化：理解业务和模型，可以先从线下数据线上化、标签或经验模型的线上化；不要过度追求完整：不需要启动所有的数据，更不应该要求结果准确无误，循序渐进，逐步推进；避免陷入数据沼泽：不要迷失在数据当中，即使是数据驱动也要再回到业务当中，从业务中来到业务中去；最大化数据的价值：数据总是不完美和有噪点的，要最大化每一部分数据的价值，相信再小的数据也有它的合理价值；引入人力专家资源：分析项目引入人力资源业务专家；关注数据运营手段：持续跟踪用户对数据的使用和感知情况，缩短数据感知的体验路径，加速产品的孵化；

后续我们逐步的进行PA分析框架的拆解，下一篇会再介绍下产品和数据层面的问题，如何构建起人力资源分析框架。

本文由@高登 原创发布于人人都是产品经理，未经许可，禁止转载

题图来自 unsplash，基于CC0协议

,