在被数字技术，智能技术充斥的新时代，企业竞争越发激烈。其竞争的根本是人才的竞争，利用大数据技术进行人力资源分析，整合与发挖内部人力资源，找到人才竞争优势，是每位HR的当务之急。

　　人力资源数智化变革需注意两个变化

　　人力资源大数据分析即数智型人力资源管理，是以智能的方式利用数据并从中获取洞察力，这些洞察力不仅可以提高公司内部人员的绩效，还有助于公司整体成功。数据可以说明过去，数据也可以驱动现在，数据更可以决定未来。

　　环顾企业内部运营与管理，财务、生产、研发、营销已经习惯于用数据来说话，但还保留着一块传统区域，就是人力资源管理。换言之，多数优秀企业数智化转型已见成效，人力资源部落后于其它部门，数智型人力资源管理转型已迫在眉睫。

　　而且可以发现，HR部门转型咨询的热情非常高涨，呈井喷趋势。既使在今年疫情期间，用友已与上百家企业HR共同探讨人力资源大数据分析以及数智型人力资源管理转型建设思路。国内企业人力资源管理将经历一场变革，传统的流程驱动模式正在被这波数据分析驱动所取代。这个变革过程，企业需要关注两个演化。

　　一、技术演化： 智能机器人促进了更高程度的自动化，每个HR和员工都应有智能助手，越来越多的新技术应用于智能机器人上，如自然语言识别、智能语音交流、意图识别、风险预警、预测分析、情绪分析、文本分析、视频分析、图像分析、声音与语音分析、机器学习、深度学习等等，从而提升HR在潜能分析、人才获取能力分析、领导力分析、工作有效性分析、人才流失预警与分析、企业文化分析、员工绩效分析等方面的能力。

　　二、人力资源职能演化： 如果有人说自己完全确定数智型人力资源管理的发展方向，那都是在撒谎。科技的进步是我们现在无法想象的，但是我们可以根据一些新兴的趋势对未来可能出现的一些情况做一些预测。HR需要拥抱新技术和更强的数字化、智能化，当日常的、琐碎的事务性工作被自动化后，人力资源管理团队就会释放出来，专注于能为企业带来更大价值的、更具战略性的工作中。

　　“价值分析”是人力资源数据分析的本质

　　‍数据分析可以为数智化转型插上翅膀，很多时候数智化转型不光提高信息效率，‍‍更多是能够通过数据分析‍‍发现管理价值。‍‍在人力资源管理和运营过程中，梳理出尽可能多的指标，‍‍将指标罗列出来，‍‍并进行统计和可视化，用很炫酷的驾驭仓仪表盘清晰的表达出人力资源运行的效率、效能和价值。

　　德勤的一份研究报告显示，那些增加人力资源数据分析投资的公司正“以双倍的速度改进招聘工作，以3倍的速度提高他们的领导力发展能力，且平均股价比一般公司高出30%”。有一句话应该被铭记：我们经常忘了，你投入时间进行分析，不是为了获取结果，而是为了获取洞察。

　　‍人力资源数据分析的核心是价值分析，它重点体现在纵向深度价值分析以及横向业务驱动分析。‍纵向深度价值分析我们以离职率分析为例来说明，如“离职率=‍离职人数/(期初‍人数+入职人数)”或“离职率=‍离职人数/(期末‍人数+离职人数)”(很多人都会把这个公式弄错或者弄反了，会把分母当成期初人数加期末人数除以2，这是错误的)。‍离职率的数据分析怎么样体现它的价值层次呢?‍

　　‍首先是整体的离职率，比如说我们公司离职率10%，你向总经理汇报，总经理说你这个数据不行，‍‍我们公司一共4个副总已经走了三个了，‍‍副总这一级别的离职率75%。‍这类宏观数据实际价值是有限的，‍比如说平均年龄，‍‍平均并不能体现一家公司的‍‍这个年龄特点，平均房价也不能体现一个城市的房价的特点。可见，‍笼统数据不能体现问题，颗粒度变小才能发现问题，‍要将数据细分，‍如‍分类、分层、‍‍分时段、分人员、‍不同工龄、不同性别，不同年龄段的离职率分析，‍‍

　　第二层是细分人才离职分析，如‍关键人才离职分析，公司4个副总走了三个，这都是关键人才，他们的离开会对公司造成比较大的影响，我们需要去分析主动离职的影响因素，尽可能将关键人才挽留下来，或避免这类事件频繁出现，关键人才离职率有个变异指标叫关键人才留任率，这其实是一种管理思维的转变。

　　第三层，比人才留任率更好的一个统计指标叫离职预测分析。‍依据‍离职要素与离职关键行为分析‍‍进行离职预测分析，随时大数据技术的广泛应用，机器学习、深度学习能为HR所用，如利用随机森林算法、Boosting算法等算法模型进行离职倾向性分析，通过一定时间的算法模型训练后，预测的准备度是非常高的。

　　横向业务驱动分析主要是从业务目标出发，观察员工的行动、决策与行为模式，以及其行动与决策对业务目标的影响关系，找到关键成功要素，进行人才与业务驱动因素分析、激励与留任因素分析等。

　　人力数据分析成熟度模型与成长路径

　　人力数据分析的好处和价值显而易见，但并没有成为主流，仅有一小部分公司全面开发了她们的人力数据分析能力，为什么HR部门数据分析能力落后于组织内其它部门呢?这个问题的答案会比较复杂，可以概括为两个方面原因：一是技能缺乏。 传统HR部门缺乏数据分析所需的IT和分析技能，让很多组织在推行人力数据分析方面举步为艰。HR完全可以从内部发挖具备数据统计能力的员工，为我所用;二是“布德罗之墙”。 HR擅长于描述性分析报告，如假勤统计、绩效分析、结构分析等，这些描述性分析都很容易进行，一旦HR想开展预测性分析和指导性分析就撞上了一面“墙”，这面“墙”在2010年被布德罗和卡西奥最早所提及，从此被称为“布德罗之墙”，HR难以逾越“布德罗之墙”是因为，一方面，来自组织内部多套系统的数据需要融合在一起，才能更好的分析;另一方面，实际的分析还需要更高阶的数据分析方法。

　　“布德罗之墙”说明了HRM必须经历一些阶段来发展数字分析能力。为了帮助组织提高人力数据分析成熟度，德勤咨询顾问乔治.贝辛(Josh Bersin)创建了四级人才分析成熟度模型，对于HR很有参考意义，可以帮助组织识别目前所处的水平，以及需要如何做才能开发出成熟的人力数据分析能力。

　　人力分析成熟度模型

　　第一层级：运营报告，56%的组织处于人才分析成熟度的第一层级，HR部门的工作局限在传统的运营性报告上，如人员编制、离职率、人工成本、培训成本等，一套良好的人力资源管理系统可以帮助组织保持员工记录的准确性和一致性，运营报告可以快速、自动生成，这样HR也可以将更多的时间花在更具战略意义的工作上，然后努力向下一层级提升。

　　第二层级：高级报告，大约有30%的组织处于这个等级，HR能够主动提供多角度视角、并足以影响决策的报告。此阶段可通过数据仪表盘(领导桌面)为中高层展示HR指标，此阶段要谨慎，不要投入太多时间去建立新的HR指标，应该聚集在能够为业务挑战带来真正价值的指标上，直面问题，清晰的数字仪表盘有助于将HR指标转化为有用的决策依据。

　　第三层级：高级数据分析，此时你的组织已经进入最顶尖的14%之一，HR使用建模来解决业务难题，甚至能基于数据预测未来，HR通过高级数据分析，可以积极的识别问题，帮助组织有效降低风险，有力的开展人力资源规划和人才供应链建设。

　　第四层级，预测性分析，大约只有不到4%的组织到达这一层级，HR部门需要专职的数字分析师来做预测建模，其技术含量已远超出简单的数据分析。预测模型需要智能平台的支撑，通过机器学习、深度学习的算法模型来执行预测性分析，如用工需求预测、高潜预测、离职风险预测等等，此时HR在组织的战略决策中发挥着重要作用，能够识别出人力政策对战略的影响，HR在公司内部扮演着具有战略意义的角色。

　　加速提升人力数据智能化分析能力

　　智能化、数字化技术已广泛应用于企业管理与商业活动，企业的商业模式、产品与服务、运营与管理体系均面临转型升级的挑战与机遇，人力资源管理如何快速提升数字分析能力，由成熟度模型第一层级快速向第四层级提升，成为众多HR从业人员的第一要务，那么如何能够做到快速提升呢?

　　大数据、人工智能等新技术已全面融入我们的工作与生活。在人力资源数据分析领域，也能够借助新技术的力量为HR赋能。用友作为中国最大的企业云服务和软件提供商，也是中国优秀的数字人力解决方案提供商，已经为众多国内外企业提供人力资源数智化转型与系统平台落地服务，帮助企业进入人力数据分析的快车道。

　　很多企业以项目的形式来开展人力数据分析推进工作，在起步阶段，非常重要的环节是整体规划与顶层设计，根据企业自身特征，准确定义人力数据分析的目标、价值和应用蓝图，为此项工作指明方向。同时设计持续、高效、清晰的建设路径，每个阶段建设内容环环相扣。另外人力数据分析工作的开展，需要与人力业务提升、HR系统完善同步开展，即人力数据分析可以驱动人力业务与HR技术平台的整体提升，从而持续完成数智型人力资源管理转型的阶段目标。

　　我们以某集团为例，为大家分享人力数据分析建设过程的关键环节。

　　一、数智型人才管理平台优化升级

　　与传统HR信息系统不同，用友数智化人才管理平台更强调的是全员应用、智能连接、数据驱动，卓越体验。其核心要素是：连接、智慧、体验和开放。即通过数据化移动工作台连接人与人、人与组织、人与事，在连接过程中加入智能技术，如意图识别、逻辑判断、智能推荐、情感分析、行为分析、OCR、人脸识别、数字孪生、AI、深度学习等，让连接更紧密、更高效、更具有粘性。同时，基于数字技术，能够充分为员工授权，同时更愉悦的使用体验设计，能够激发员工的正向情绪，驱动全体员工充分发挥才能，激发潜能。数智化人才管理平台非常重视生态连接、社会化商业与定制化能力，维护人力资源生态的开放性，这即满足新时代人才管理的诉求，也能充分体现HR部门的服务能力。

　　二、总体规划和顶层设计

　　总体规划和项层设计是做好这件事的开始，指明人力数据分析的方向、目标和实现路径，避免头疼医头、脚疼医脚式的资源浪费。分析目前大多数企业现状，人力系统平台、数据积累、统计分析都有一定的基础，不能仅仅参考人才分析成熟度模型来规划目标和划分阶段，人力数据分析与智能化技术应用、人才管理相应同步开展，本身做高阶层的数字分析需要相关业务开展的支撑。

　　总体规划和项层设计需综合人力资源信息标准、基础数据、业务动态数字、发展状态、组织问题、人才问题等企业自身特点来制定，并没有标准答案。以下以某集团为例，介绍人力资源分析的总体规划和项层设计。

　　阶段一：数据人才管理L1，搭建起集团人力资源数字化、智能化总体规划，建设智能数据分析基础平台，从人才视角、智能应用升级切入，业务内容包括人才画像、人才盘点、岗位画像、人岗匹匹配分析、领导桌面、智能化员工服务。

　　阶段二：数据人才管理L2，分析内容扩展到组织视解，基于内部数据、历史数据、外部数据进行高级数据分析，内容包括组织画像、组织效益分析、智能机器人、员工体验智能升级、业务智能化升级。

　　阶段三：数据人才管理L3，分析内容提升到预测分析，支撑人才管理更高阶业务开展，内容包括预测分析(用工需求、离职预测、高潜预测)、人才发展管理智能升级。

　　阶段四：数据人才管理L4，预测分析优化及更广泛应用，数字孪生，内容包括预测分析全面应用与优化、人力规划模型、智能机器人陪伴式服务、数字孪生。

　　三、最佳实践成果导入，快速启动人力数据分析

　　规划和设计人力资源数字分析结构非常重要，可以参考人才分析成熟度模型框架，从运营报告、高级报告、高级数据分析、预测性分析四个层面，遵照纵向深度价值分析、横向业务驱动分析原则，设计组织人力数据分析结构和分析指标，并对每个指标从数据来源、实现技术、计算公式、应用方向、业务价值等进行完整定义。

　　HR可以借鉴以往经验或专业服务商实践积累，引入优秀企业人力资源数据分析结构与指标，快速启动数据分析工作，在应用实践中再不断提升HR部门数据分析能力。

　　四、分析成果初见成效，让优秀的人浮出水面

　　经历前面三个关键环节，能够在较短时间内产出人力数据分析成果，如人才画像、人才盘点、岗位画像、人岗匹匹配分析、人力投资回报分析(领导桌面)等，为HR部门数字分析能力及业务提升打下良好基础。

　　人力资源数据分析助力HR直面挑战

　　人力资源数字化、智能化转型势在必行，其发展速度和影响深度远超出HR的想象，未来无论是人力资源部还是整个企业，都将会呈现更高程度的自动化，如果所有一切都可以自动化并由机器人来执行，那么人力资源部又发挥什么作用呢?因此今天的人力资源管理者需要考虑人力资源管理未来的样子，这包括哪些可以自动化，哪些不能自动化。人力资源管理的角色无疑将从更多与人员管理相关的事务性工作转移到帮助组织实现业绩目标的工作上，为组织提供真正的价值和独特的效益。

　　人力资源数据分析，即数智型人力资源管理能够准确、及时的告诉组织“我们的人才缺口是什么”、“我们所需的关键人才在哪里”、“是什么造就了我们公司的优秀员工”，“哪些员工最有潜力”等，真正意义上实现“以人才驱动组织战略发展”!(作者：柳晓明 用友网络)