为什么你的人力资源数据不需要100%准确

虽然人力资源专业人士和高管们正在努力推动劳动力分析议程，但我们仍然面临着挑战。尽管人力资源中数据驱动决策的紧迫性正在增加，但在大多数组织中，劳动力分析的成熟度仍然相当低。为什么会这样?

我发现与人力资源主管共事的主要原因是:

• 人力资源人员没有接受过相关培训，缺乏分析技能和思维模式;
• HR认为这一切都是关于人力资源的，不涉及业务利益相关者，使其与业务相关;
• 数据质量和可用性较低，分散在不同的系统中

在本文中，我想解决一个提到的特定瓶颈:数据质量和可用性。我们可以做些什么来改善数据?我们从哪里开始?

完美的劳动力数据仓库

组织认为进行正确分析的首要前提是可靠的数据管理。

大多数企业都实现了IT解决方案，以帮助他们更有效地存储和利用业务信息。云计算是标准，大数据解决方案正在兴起，组织已经集中或开始集中所有数据在数据仓库中。然而，关于员工的有价值的业务相关见解并没有提上议程。为什么?组织通常指出以下两个原因:

• 主要关注业务分析，这些项目总是有优先级。人力资本分析项目仍处于积压状态。
• 员工相关数据的质量被认为不足以用于分析。来自员工的信息可能不完整或没有对一致性和统一性进行控制。

是的，从商业角度来看，这是有道理的;大多数分析工作集中在客户、市场和流程效率上。如果您的数据不可靠且不完整，分析的结果也不可靠，那么您的高级业务涉众将对结果不屑一顾。

然而，相反的观点是，你永远都不需要所有您可用的劳动力信息进行分析。此外，您还需要一个非常有说服力的业务案例来证明数据工程师的项目，以便使所有数据标准化、最新和可用。在短期内，你需要一种不同的方法从你的员工中开始创造有价值的见解。

从一个简单但相关的问题开始

与其关注数据，不如从关注组织对劳动力信息的特定需求开始。也许你的人力资源报告达到了一定的水平，你能够为特定的指标生成可靠的数据，如旷工、离职或绩效评级。

当有一个特定的业务相关的问题时，它变得很有趣结合某些数据源。

例如，一位地区高管表示，他们看到客户满意度下降，并表示他们实际上可能会失去一个大客户。这并不被认为是人力资源的问题，很可能不是。但有足够的理由去探索所有可能的原因。

你有可靠的绩效数据，包括绩效评级和潜在得分，你要求分析师分析这些数据，并按地区、管理级别进行切片和进一步探索(如果是专门的分析师，他/她会这样做。想要以我的经验进一步探索)。

也许你可以展示区域表现和客户经理的潜在评级与客户满意度之间的联系，或者(这也是经常发生的情况)你在分析中发现了其他一些不直接影响问题但确实需要注意的东西。例如，如果一个特定的群体在“已经达到潜力”这一项上得分很高。

当你做了其中一项分析，并向你的业务合作伙伴展示了这可以提供什么见解(请注意，你可能不会从第一次尝试中得到结果，我们谈论的是研究，假设可以被证明或推翻)，它将为未来任何使用劳动力分析的努力提供支持，他们将更好地重视你的努力和贡献。

经过一些有价值的特别分析后，关键利益相关者可能更倾向于释放资源，继续致力于劳动力数据质量和可用性。

一旦他们知道这可能会带来创造业务价值的见解，并有助于在组织的基本层面上做出决策，优先级可能会转移。

关键是要一步一步来。如果高层领导不确定工厂会生产出什么产品，就不要试图说服他们建工厂。先造一台机器，让他们看看它能做什么。如果你能生产出一些好产品，他们就会想要制造更多的机器，甚至可能很快就会建一座工厂。

例如，我曾经看过一个关于大数据的演讲，一位来自大型在线网站的IT专家很难说服管理层投资大数据平台。因此，他决定用一些旧服务器，和其他一些专家一起搭建一个小型原型平台，向他们展示这将如何影响搜索结果，并最终影响客户满意度。他们都惊呆了。

如果您可以展示一些实际的小规模案例，并获得切实的结果，那么您的利益相关者将开始看到数据的价值，并且同样重要的是，可以管理数据质量并提高数据可用性。

你在分析中处理的数据越清晰可靠，得到的结果就越有洞察力。这是在你展示了分析方法的潜力之后，你需要传达的信息。

我们看到人力资源专业人士和高管的思维方式正在发生转变，我们看到在将数据驱动的决策提升到一个新的水平方面做出了开创性的努力，但你必须从小处开始，才能取得大的进步。