人力资源数据分析成熟度

人力资源数据分析成熟度模型.jpg

大数据时代的人力资源数据分析作为一个不同于以往侧重描述性分析的新事物，应该说它还缺少相应的方法论和评价机制。到底人力资源数据分析应该做些什么，怎么做才能为企业发展提供战略支撑？人力资源数据分析的价值在哪里？

人力资源角度探索

Josh Bersin作为人力资源分析主导思想家之一，于2012年提出了人力数据分析成熟度模型。他将人力资源数据分析分为四个层级：
一级：被动报告
是指人力资源分析主要是根据业务部门的需求被动做出反应，提供相应报告。这个层级的特点是数据是彼此隔离的孤岛，并且很难分析。
二级：积极报告
是指人力资源数据分析侧重于进行多维度数据分析，以支撑对比和决策的需要。
三级：战略分析
人力资源分析工作重点在于建立人力模型，进行统计分析和维度分析，找出相关因素和提供相应解决方案
四级：预测分析
建立预测模型，用于风险管控和战略规划集成。

数据分析领域的划分

成立于1979年的全球最著名IT咨询公司Gartner Group作为第一家信息技术研究和分析的公司，于2013年归纳和提炼出数据分析的4个层次：
1、描述性分析（Descriptive Analysis）
对过去已发生事件进行描述。这里面有两个关键要素：一是，事件发生的时间点是过去；二是，描述了事件的变化过程。比如，时间、地点、谁、多少、如何变化的。
2、诊断性分析（Diagnostic Analysis）
对过去已发生事件问“为什么？”这个层级的数据分析能解释问题为什么会发生就OK了。
3、预测性分析（Predictive Analysis）
根据问题产生的原因，通过对规律的总结，对接下来可能发生的情况进行推理和预测。这一层级的关键要素：一是，站在现有起点上对未来可能发生什么进行预测，是面向未来的；二是，这个分析是建立在总结规律的基础上，加上充分验证后得出结论。
4、规范性分析（Prescriptive Analysis）
根据预测性分析的结果，建立触发系统，控制输出结果。

关于人力资源数据分析成熟度的几点看法

• 是“是什么---为什么---怎么样”的认知过程
  无论是从人力资源角度还是数据分析角度来评价“人力资源数据分析”其实都是对人力资源大数据背后的人力资源事件的认知过程的切分。不管怎样，它都是站在现实管理实践的起点上回望过去，总结经验教训，然后改善并避免未来风险发生的过程。
  从这个意义上说，人力资源数据分析成熟度模型分为三个阶段即可。人力资源角度和数据分析角度的划分第三和第四个层级都是预测、建模和纠偏的处理过程。
• 是进步的方向，不是教条框架
  对于人力资源部门或者是数据分析部门来说，人力资源数据分析能力成熟度模型是数据分析能力的成长路径，用以明确数据分析的努力方向。它不应该成为教条和框架，更何况它本身还未成熟到足够的水平。与此同时，每个企业自身数据分析的使用背景和分析人员素质等条件也各不相同，因此，能力成熟度模型只能作为参考。
• 任何层次人力资源数据分析部门都有低层次数据分析任务
  简单讲“不做劳民伤财之事”，一切数据分析皆取决于业务需求。从业务需求入手，围绕业务需求展开，以业绩提升为终点。不能因为人力资源数据分析潜在的战略支撑价值而强行拔高。