一年一度年终汇报，人力资源部门从HRD到招聘负责人到普通HR都在努力用数据证明自己的工作价值。然而，很常见的一种现象是，HR辛辛苦苦做的年终汇报，精心设计的数据报表，到CEO那感觉什么用都没有，老板无动于衷。
于是，HR们开始质疑，到底什么样的数据分析能够打动老板？
很多HR都关注招聘完成度、招聘渠道的质量、候选人质量、离职率等，将这些数据称为“分析结果”。但是，像这样的分析结果除了“对现状有所掌握”之外，还有更多的意义吗？如果HR们将这样的结果汇报给上司或者老板的话，还期待他有什么反应呢？
数据分析是为了“获得商业见解”
不妨思考下，CEO们最在意的是什么？显然是业务经营。
拉姆·查兰曾与全球很多CEO交谈过，这些CEO们都希望HR们凭借自己的技能，将员工和业务数据联系起来，从而找出企业的优势和劣势、令员工与其职位相匹配，并为企业战略提供人才方面的建议。也就是大家常说的HR要为业务服务。
那什么样的数据分析才对业务有价值呢？
数据分析中最重要的是“获得商业见解”，而不仅仅是对现状的解释。
要想老板们不至于无动于衷，就必须让分析结果与商业中具体的行动联系起来，就必须回答以下“3个问题”：
应该做什么样的改变才能增加利益？
做出这些改变的可行性，现阶段是否能做？
如果能做，所带来的利益是否大于所消耗的成本？
只有解答了这3个问题，才有下一步的行动指南，才能与公司利益相关，按照数据分析的结果采取行动。
举个简单的例子，某电商公司招聘量非常大，流动性也大，聘请了多家RPO供应商，花费几百万的资金。有没有可能降低一些招聘成本？HRD观察到，每个月供应商推荐这么多简历，会不会有重复？如果有岂不是在重复付费，白白浪费了招聘费用。于是HRD组织了2名HR进行数据统计，历时半个月终于得到了数据，企业每个月为重复简历付费的金额超过10万。这一数据发现，让HRD意识到必须做出改变。
但是每个月让2名HR花时间做这个事情又不划算。于是他们考虑采取数字化系统，自动识别重复简历。在与Moka招聘管理系统沟通后，计算了软件的购买成本，系统带来的招聘效率提升，人才库价值等等，对比查重节省的费用和人力成本，上系统带来的利益远大于消耗的成本，为企业每年节约了大约百万的招聘成本。
做数据分析的4个基础
降低无效成本也是提升商业利益的方面。如果要做出对商业经营有指导意义的人力资源数据分析，就需要具备4方面的基础：
1.闭环式的数据分析
闭环式数据分析的目的是创造一种可持续性提升业务指标的机制。首页把这个指标跟基本的业务问题关联起来，然后提出对问题解决方案的假设，再通过测试来验证假设，最终提出对指标有提升的行动指南。
正如上面的案例，需要改变的指标是招聘成本，HRD提出的假设是减少RPO的重复简历，就可以节约成本。于是从过往的数据中验证这种可能的存在。事实证明是可行的，然后提出可持续性降低成本的行动指南，并计算出这个行动带来的利益远大于所消耗的成本，成功的通过闭环式数据分析实现业务指标的提升。
2.数据之间的关联性
HR对招聘渠道的效果都非常关注，如果渠道能带来很多候选人，但是能最后入职的候选人并不多，未来该如何制定渠道投放策略？人力资源部门对员工的满意度和离职率这些数字非常敏感，但是满意度高的员工业绩很低怎么办？所以，关注个别、独立的数据都是远远不够的。
3.数据要全面
而建立数据关联的大忌是数据断层。试想，如果企业想提升门店人才的到岗率，HR只知道门店一周面试20个候选人，最后入职一个人，但是被淘汰的人是因为没参加面试，还是面试体验不好拒绝入职，还是其他的原因，如果HR缺少这些数据就很难通过数据分析找到原因，然后有针对性的提出解决方案。
不幸的是，数据断层的问题在人力资源的工作中比比皆是。要想实现用数据分析提升业务价值，数据的收集必须全面。
4.数据要准确
准确性是数据分析的基础，它的重要性不言而喻。错误的数据不可能指导得出正确的业务决策，如果能那一定是运气。
数据的准确性也体现在对数据指标的认知统一，假如有些HR认为人效=销售额/全员数量，而其他HR认为人效=销售额/销售人员数量，这两个数据得出结论可能完全不同。
站在数字化系统的肩膀上
可以说数据的关联性、全面性和准确性是实现闭环式数据分析的基础，然而在大数据时代，想要通过人工实现数据分析的基础几乎没有可能。好在大家可以站在数字化系统这个巨人的肩膀上，用更便捷的方式实现对业务更科学的分析。
这里以Moka招聘管理系统举例，解释数字化系统对人力资源数据分析的益处 。
1.全量数据收集，指标统一更准确
通过“制度流程化、流程表单化、表单信息化”的方式，Moka打通全链路招聘流程数据，从源头帮助企业收集全量的招聘数据。职位数据、简历数据、招聘过程数据、评价结果、操作数据等等，都可以通过数字化系统集中收集，并且做到数据留痕可追溯。
系统统一收集数据也打破了不同人对指标定义不一致的问题，数据更准确。
2.默认多维度数据模板，满足快捷的基础数据统计
为了提升数据统计的便捷性，Moka默认配置了一些不同职级的HR们常用的数据报表模版，可以满足HR日常的数据统计需求。
● 招聘运营：过程管理数据（招聘漏斗、渠道、猎头、内推、人才库等渠道质量）；用人经理效率（筛选时间、反馈时间）；响应率（职位的发布时间、周期、完成时间）
●招聘负责人：完成率（HC完成率、offer数据、入职数据），招聘质量（招聘漏斗、候选人满意度、用人经理效率）
●HRD：招聘质量、HC完成率、360度人才分析
3.可视化数据面板，数据结果展示更直观。
数据的直观呈现有助于HR和管理者进行对比分析，了解招聘现状。实时数据，一次配置，无需手动，长期可看。Moka还能将多维度的数据分析形成可视化面板，HR和管理者都可非常直观地预览个人或者团队的工作进展。
除此以外，数字化系统还能提供更加实时的数据，甚至是过往未曾想到的数据，在需要的时候也能够提取得到，这是人力无论如何都做不到的。
数据分析中HR的价值体现
如果基础的数据统计和可视化分析已经由数字化系统完成了，那么HR还需要懂数据分析吗？需要具备的数字分析能力到底指什么呢？
再回到前面说到数据分析中最重要的是“获得商业见解”，在数据分析的闭环中，提出假设是最需要人发挥创意的地方，也是HR最彰显数据分析价值的地方。
见解可以分为两种：
●信息类见解——让你更好地理解候选人
●行动类见解——帮助你作出明智的决策，指导企业采取实际行动
数字化工具本身并不能提供什么见解，要获得见解，HR们必须了解公司的业务、产品、候选人、人才策略、渠道特点等等。见解的产生终究要靠人，而非机器。
如何提出假设，不妨试试多问几个“所以呢”。
“从招聘微信公众号申请的候选人，入职转化率比渠道都高了。”
“所以呢？”
“未来可以增加对微信公众号的曝光，获取更多的候选人。”
“所以呢？”
“可以尝试一段时间，如果运营招聘公众号的成本比渠道低，就可以持续进行。”
“所以呢？”
“或许可以用更低的成本达成招聘目标。”
其实，数据就只是数据而已，把公司业务和利润推向新高的是那背后的人力，是人力从数据中获取独到见解，为商业行动提供建议，并进行评估。
关于Moka
Moka（北京希瑞亚斯科技有限公司）成立于2015年，为企业提供极致体验、数据驱动的智能化HR SaaS产品，致力于通过一流技术和服务赋能企业人才战略。作为国内发展最快的HR SaaS厂商之一，成立以来，先后获得峰瑞资本、GGV纪源资本、金沙江创投、高瓴创投、襄禾资本、蓝湖资本、老虎环球基金等多个国内外知名资本青睐，并于2021年11月完成C轮融资1亿美元。
截至目前，Moka累计服务包括小米、滴滴、麦当劳、安踏集团、上海医药、华东医药、松下、元气森林、Shopee、作业帮等超过1500余家客户，业务涵盖互联网、连锁零售、生物医药、智能制造、电商、教育等多个领域，在北京、上海、杭州、南京、武汉、成都、厦门、深圳、广州等城市均设有办公室。
↙点击下方，试用Moka
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
