如何为人力资源分析做好准备

在过去的几年里，我写了一些文章，引起了相当大的兴趣。(我为此感到荣幸)。

其中一些兴趣导致了对非正式指导的要求，以及“我如何开始”在人力资源分析领域的问题?我该怎么准备呢?这篇文章回答了你所有的问题。

当然，进入人力资源分析的旅程是不一样的。然而，我认为有几件事可以帮助你为这个领域做好准备。它们将在下面的摘要中列出，并在本文的其余部分中进行扩展。必威 官方网站

1. 从一个好的基本定义开始。
2. 熟悉人力资源分析的基本组成部分。
3. 阅读，交际，并进行实践。

从一个好的“基础”定义开始

这一点很重要，至少有一个主要原因。

这取决于你如何定义人力资源分析，这将决定你在学习中注意什么，集中精力做什么。如果你在人力资源分析或人力资源分析上搜索谷歌，你会发现关于这个主题的链接数量惊人，包括很多关于这个主题的书——可能一辈子都看不完;-)。

许多将涉及人力资源指标和记分卡。这些都很重要。对我个人来说，我们今天在人事/人力资源分析方面的很多成就都来自于这些历史根源，并且仍然是图景的一部分。如果“你”把人事/人力资源分析视为“仅此而已”，那么这就是你准备工作的重点所在，你可能会想就此打住。

量度和记分卡的问题在于，它们本身并不一定保证任何行动或决策制定(如果有必要的话)。它们可以是人力资源分析的基本组成部分，但它们本身是不完整的。

更完整的图景似乎是任何“分析”努力的核心——不管背景如何——都是“数据驱动”的。并且为了一个目的而被“数据驱动”——在必要时做出决策和采取行动。这与John Sullivan博士对People Analytics的评论．

总的主题似乎是“人力资源”数据驱动的“决策和管理”。

想要了解业务问题及其人力资源含义，或影响业务底线的人力资源问题的答案，并基于我们的数据告诉我们的这些问题，以便我们的决策和行动尽可能明智，这是人事/人力资源分析的核心，它提供了一个“更完整”的图景/定义。

如果你接受这个定义，你对准备工作的专注会让你进入人力资源指标和记分卡——是的——但这也需要你在许多其他方面做好准备。

所以有一个好的基础定义是很重要的，因为它会影响你接下来的准备选择．这是你的选择．目前，我的观点是，“数据驱动”的人力资源决策是一个很好的基础。它认识到人力资源分析的历史根源，但也要求我们更多地向前发展。

我之所以分享这一点，是因为当任何领域都是相对较新的时候，术语经常会被不一致地抛出，导致很多混乱。许多年前，我读到一个评论/想法说:任何学科的兴衰都取决于其观察的可靠性和有效性。一个发人深省的想法。我希望人事/人力资源分析能够改变人力资源管理的执行和实践方式——我们所有的决策都是数据驱动的结果。我们的组织理应如此。

熟悉人力资源分析的基本组成部分

如果你接受上面的基本定义，那么至少有5个主要的技能构建块来支持这个领域的发展和准备:

1. 了解人力资源、人力资源职能和业务流程
2. 了解信息技术方面的数据仓库、数据检索和人力资源信息系统的典型内容
3. 具有商业统计分析的知识，特别是关于人力资源数据、人力资源问题、人力资源问题、人力资源测量和指标。
4. 了解人力资源环境中可测量的范围。
5. 了解数据科学框架，以及如何应用它。

了解人力资源、人力资源职能和业务流程

正如前面提到的，“分析”本身，无论上下文如何，都是关于“数据驱动”的——有目的的数据分析。人员/人力资源分析确实是“那个”，但在人力资源的背景下。

理解人力资源环境意味着理解人力资源。要理解人力资源，就意味着理解人力资源的职能和业务流程。如果允许我随意使用这个词的话，这意味着理解并将人力资源“职能”视为人力资源的“业务流程”。

太多的“传统”思维认为人力资源只是一系列的业务“职能”。人力资源的每个主要功能都是一个业务流程——包括输入、流程中的步骤和输出。为什么这很重要?

在人力资源中，“数据驱动”意味着我们为了“衡量”的目的而收集数据。将人力资源视为相互关联的业务流程，使我们至少关注人力资源度量的一个主要类别。(稍后将详细说明这一点。)同样，除非你真正理解人力资源本身，否则你无法真正理解“数据驱动”的人力资源。人力资源“就是”环境。

了解信息技术方面的数据仓库、数据检索和人力资源信息系统的典型内容

人力资源分析绝对“依赖”人力资源信息作为其检索和处理。正如显而易见的风险，在今天的技术下，人力资源信息的存在不是问题。问题是我们被人力资源数据淹没了，因为数据太多了。所以获取数据，有效获取数据，有效处理数据的知识是至关重要的。这就是数据仓库和检索知识非常重要的地方。

如果幸运的话，在您自己的组织中，您可以依靠IT中的其他人来做这件事，并成为这里的专家。即使是这种情况，你也应该成为人力资源专家，能够与IT部门进行沟通他们的语言来完成工作。这意味着要想在人力资源分析中发挥作用，你需要尽可能多地了解与你在人力资源分析中的角色“相关”的领域。通常，组织在人力资源分析方面的最初努力是“概念验证”或“臭鼬工厂”项目，这些项目是“非正式的”和“账外的”，因为在早期阶段没有为这些项目分配资源。在这种情况下，你可能必须自己在这个角色中处于初级水平。基本级别通常“至少”是用于检索信息的SQL命令级别。

同样，你必须熟悉你的人力资源信息系统和它的内容，知道什么样的人力资源问题可以回答你的人力资源数据。

在任何情况下，能够在人力资源分析的信息技术维度上“说到做到”和“做到做到”，需要在这一领域的知识基础。

具有商业统计分析的知识，特别是关于人力资源数据、人力资源问题、人力资源问题、人力资源测量和指标。

另一个“分析的核心”是分析、测量和统计。这不是可选的。如果你想要严谨、稳健和信息丰富的“数据驱动”决策，这是必不可少的一部分。(如果你讨厌统计分析——克服它。这个技能对于数据挖掘和分析是绝对必要的。)

太多的“分析”倾向于让组织满足于“炫酷的图形”，尤其是交互式图形。同样的道理也适用于信息的深入、切片和切块。别误会我。这些都是分析图像的一部分，但它们本身是“肤浅的”。

要真正了解数据中发生了什么，您必须深入研究统计分析。我倾向于推荐通过商业案例来学习。

• 你需要从自变量和因变量的角度来理解你的数据、你的世界、你的人力资源——你想要预测什么，你用什么来预测。
• 您需要从度量的角度了解您的数据——什么是分类变量、顺序变量和连续变量，以及它们如何影响您使用的特定统计分析和算法。
• 你确实需要将所有人力资源和人力资源信息视为衡量标准——将人力资源视为业务流程是其中的“一部分”。
• 你需要了解不同的统计分析、算法和程序是为了回答不同的人力资源问题而设计的。因此，您必须了解景观的布局，从哪些方面进行选择。你还必须从人力资源方面的问题开始，以推动努力。你需要知道什么样的统计程序能回答什么样的问题
• 你必须明白，统计分析和人力资源分析不仅仅是“预测性”分析，也是“描述性”分析。如今，太多关于分析的文章会给你一种“分析”是关于预测的印象。那是因为它很“酷”，能引起人们的注意。是的，它很酷，它引起人们的注意。但是，如果你把你的理解局限于这个观点，那就太肤浅了。统计分析和由此产生的“数据驱动”既可以是描述性分析的结果，也可以是描述性统计的结果。关于预测，另一个误解是认为统计预测只是预测未来。错了。分类“因变量”的统计预测是为群体中的一些新观察预测一个最适合的类别。那是现在，不是未来。 So prediction can be present and future.
• 交互式图形在以有效的方式向他人传达数据中的内容方面发挥着关键作用。但是统计分析可以帮助我们去芜存锦，区分出数据中统计上的显著性和不显著性。图像本身并不能做到这一点。

要进行统计分析，您必须熟悉统计软件包。有很多这样的人。SPSS和SAS是已经存在了几十年的商业软件包。它们很好，但是很贵。R也有几十年的历史了，而且它是免费的——尽管它更基于命令，对一些人来说有更高的学习曲线。现在我更喜欢R，因为它是免费的。当你想要学习分析时，免费是有帮助的。

了解人力资源环境中可衡量的范围。

由于人力资源分析的历史根源部分地沉浸在人力资源指标和人力资源记分卡中，因此有一种趋势，即假设“这”就是人力资源分析和我们衡量的东西。但是如果我们把我们的图像局限于此，那么它仍然是肤浅的，只是图像的一部分。

如果我们退后一步，试图得到更广泛的土地，我们发现至少有3个主要的人力资源测量领域，可以形成分析和数据驱动的基础。这些都是:

1. 我们公司的员工是怎么回事?我们的一些人力资源决策将基于员工的情况。
2. 我们的人力资源运作情况如何?我们的一些人力资源决策将基于我们的人力资源流程的效率和效果。
3. 我们的人力资源决策和政策本身发生了什么?我们如何做出人力资源决策?我们的决定和行动是好是坏?如果我们想要广泛的数据驱动，我们的一些人力资源决策将基于此。

我们公司的员工是怎么回事?

描述这一类别的最佳方式是，它在很大程度上是传统的人力资源指标。另一种思考人力资源指标的方式是，它关注的是对组织中员工生命周期的各个方面的衡量，包括但不限于:

• 申请人数量
• 采访计数
• 员工
• 员工数量
• 培训活动
• 申诉活动
• 健康和安全活动/伤害
• 员工敬业度调查
• 终止妊娠
• 离职面谈

我之前分享过这个链接，但是理解传统人力资源指标的一部分是一个很好的起点这个概述．

当计算上述类型的指标时(通常使用数据仓库技术使其高效，这样我们就不会花费过多的时间来准备数据)，然后可以将预测和描述性分析技术应用于这些指标，以回答各种业务问题。我们希望成为数据驱动者，让我们的数据通过适当的统计分析告诉我们，帮助指导我们做出的决策和行动。

这是大多数组织在想到人力资源分析时首先想到的。这是一个很好的起点．但不要就此结束。

我们的人力资源部门发生了什么?

“数据驱动”应该意味着我们在人力资源运营中也是数据驱动的。我们在人力资源分析方面所做的一切都应该为组织增加价值。我们进行人力资源活动的效率和效果是其中的一部分。

传统上，或者就此而言，这可以被认为是人力资源运营的质量改进/持续改进——客户的声音。这是一个完全不同的研究领域。但我们可以“数据驱动”我们如何开展我们的人力资源业务运营和活动。因此，这可以被看作是人力资源分析部分的一个合理部分。

收集这类信息的主要成分或推动者是人力资源请求跟踪系统。你需要监控每一笔交易，从开始到完成，从摇篮到坟墓，都要交给人力资源部门。你需要监控它从哪里来，是谁做的，什么时候来的，什么时候完成的。

把你的人力资源业务想象成一些全球快递业务，他们可以随时实时跟踪任何包裹，既满足它的需求，也满足客户的需求。你懂的。跟踪每一个请求-帮助你成为“数据驱动”，以改善你的人力资源服务，你的员工是你的内部客户。事实上，如果没有“数据”，就不可能有“数据驱动”的操作。这应该是显而易见的痛苦。你的组织有这样做吗?

我们的人力资源决策和政策本身发生了什么?

这意味着将人员/人力资源分析实时“注入”到我们人力资源活动的实际执行中。实时数据驱动。前两种分类可能有事后的味道。这没关系。但是能够实时使用分析就更好了。

一些例子:

• 利用我们已知的职位描述和职位分类的特征和特点，利用人力资源分析来预测新职位描述与最适合的职位分类的最佳契合度
• 利用现有员工和离职人员的现有人力资源信息，以及敬业度调查数据和离职面谈数据，看看数据中是否有关于谁离开或谁留下的模式，如果有，在未来可能发生的离职事件发生之前进行预测。或者更好的是，通过识别数据中的模式，改变人力资源政策，首先防止人员流失。
• 利用我们现有的关于缺勤的人力资源信息，看看数据中是否有任何模式。如果是这样，在可能的情况下调整我们的政策和决定，以更有效地阻止缺勤。

在每种情况下，我们都认识到，在我们的决策中实时注入分析是人力资源分析“整体”景观的另一个潜在组成部分。

这里的重要教训是，人力资源分析在许多方面的应用只受你想象力的限制。不要限制它，认为它只是传统的人力资源指标(同样重要)。

我想这部分的最后一个信息是回顾为什么“数据驱动”如此重要。在没有它的情况下，组织仍然采取行动。他们一直都是。问题是“知情”行动。有时问题是在不需要采取行动的时候采取行动。其他时候是在需要行动的时候不采取行动。如果我们不是“数据驱动”的，我们怎么知道?

了解数据科学框架，以及如何应用它。

到目前为止，我们在这篇博客文章中已经非常努力地触及了“数据驱动”的原则——这是有充分理由的。必威 官方网站它直接触及了分析学的DNA。

考虑到这一点，了解另一个领域是有帮助的，我的意思是真的很有帮助。这个领域就是数据科学框架。

人力资源分析面临的挑战之一是，我如何组织我的思维和努力，以获得最大成功的可能性?我认为这个问题的部分答案是有一个好的框架来帮助指导这个过程。

数据科学，作为一个过程，就是那种有用的框架——因为它的目的是以结构化的方式实现“数据驱动”。

有很多关于这个主题的书。许多并不一定是为人力资源背景而写的。你必须把这个框架应用到人力资源问题上。

我以前的一些博客文章(必威 官方网站比如关于员工流失的那个)说明了这一点。我发现一本关于R和数据科学很有用的书是:Nina Zumel和John Mount的实用数据科学与R．

该框架的基本步骤如下:

1. 确定一个目标。
2. 收集和管理数据
3. 建立模型
4. 评估和批评模型
5. 呈现结果和文件
6. 部署模型

以下是我之前的一篇博客文章的详细阐述:必威 官方网站

1.确定一个目标

如上所述，这意味着首先要确定你想要解决的人力资源管理业务问题是什么。没有问题，我们就没有目标。

2.收集和管理数据。

简单地说，你想要一个与问题相关的信息“数据集”。数据的收集和管理可以是来自公司人力资源信息系统的简单提取，也可以是来自用于人力资源信息的精心设计的数据仓库/商业智能工具的输出。为了说明这篇博文的目的，我们将使用一个简必威 官方网站单的CSV文件。它还涉及对数据的探索，包括数据质量问题，以及对数据可能告诉您的内容的初步了解

3.建立模型。

这一步的真正意思是，在你定义了人力资源业务问题或你想要实现的目标之后;您可以选择一种数据挖掘方法/工具来解决这类问题。由于缺勤是一个人力资源问题，你是否试图从那些没有高缺勤倾向的员工中预测出高缺勤倾向的员工?你是在试图预测未来的缺勤率吗?你是否试着从非典型或异常中定义什么是正常的旷工?业务问题/目标决定了要考虑的适当的数据挖掘工具。这不是一个详尽的列表，但在建模中使用的常见数据挖掘方法有分类、回归、异常检测、时间序列、聚类、关联分析等。这些方法将信息/数据作为输入，通过统计算法运行它们，然后产生输出。

4.评估和批评模型。

每种数据挖掘方法都可以使用许多不同的统计算法来处理数据。评估既包括哪些算法对新数据提供了最一致的准确预测，也包括我们是否拥有所有相关数据，或者我们是否需要更多类型的数据来提高模型对新数据的预测精度。随着时间的推移，这可能是必要的重复和循环活动，以改进模型

5.目前的结果和文件。

当我们的模型达到可接受的、有用的预测水平时，我们记录我们的活动并呈现结果。可接受和有用的定义实际上与组织有关，但在所有情况下都意味着，结果显示出比其他情况下的改进。与任何科学一样，数据科学背后的原则是，使用相同的数据，人们应该能够重现我们的发现/结果。

6.部署模型

本文提出的框架在组织你的思维和活动方面有很长的路要走，我个人发现它非常有用。在一天结束的时候，你想增加你的人员/人力资源分析活动为你的组织提供价值的可能性。这个框架可以提供帮助。

阅读、交际、实践

我在这篇文章的开头说过，我认为人力资源分析作为一个普遍的领域还处于起步阶段。如果你在这方面的感觉与你相似，那么我认为以下几点将帮助你为这个领域做准备:

读

在你的时间允许的情况下，尽可能广泛地阅读这个主题。我认为这个领域的很多“思考”仍然是非常不稳定的，因为它是人力资源领域中一个相对较新的领域或学科(这只是我的个人观点)。当你阅读的时候，从一个来源阅读的内容是如何与另一个来源的内容相结合的?当你在阅读的时候，你对这片土地有了解吗?你知道他们在谈论图片的哪个部分吗?你正在阅读的东西是在拓展你的知识还是拓展你的领域?

网络

与对这个领域有相同或相似热情的人建立联系。这可以通过多种方式实现，包括参加人力资源分析会议，在LinkedIn上建立专业联系等。这个网络会激发更多的思考、想法和讨论，从而推动组织向前发展。

动手练习

如果你无法访问人力资源数据，这当然会让你进退两难

如果你是HRIS角色，可以合法访问你的人力资源信息，并且你有你的组织的许可——问题解决了。但如果你没有，你可能不得不在互联网上追踪公开分享的人力资源数据集。没有很多。它可能是用来说明“如何做”的虚假数据。如果您无法访问人力资源数据，请尝试练习相关的数据挖掘算法，并对来自另一个上下文的数据进行分析。

在不久的将来，这将成为一个更广泛的问题。对于获得人员分析技能的人来说，需要访问有意义的人力资源数据-无论是假的还是假的。如果有最低限度的可用数据，完全符合全球隐私法，我认为这将限制该领域向前发展的能力。

拥有必要的工具并不是这个领域的障碍。如果你选择学习R作为你的统计工具-它是免费的。

关闭

我在引言中说过，在我写这篇文章之前，我要承认，我只是这个领域许多人中的一个声音。其他人可能有与我不同的经历或旅程。这是完全正确的。

如果这些信息的分享，有助于指导其他人在他们的人的分析之旅，那么我很感激。