HR&BIG DATA用分析优化未来(1)

2020-05-18 本文已影响0人 Anne1758

写在前面

梳理了手上有的HR数据分析的信息，这本书冒了出来，发现基于价值链的分析在这里有了新的碰撞。好的方法，想法加上可落地的实际，找到想法也找到匕首的落刀之处，这样好多事情或者可能也就水到渠成了。

互联网时代更像是一个点线面体的状态，很多时候都明白这个样子，但是更多的时候是缺乏持续在这样一个框架中找到自己落脚点和下手的地方，改变不一定要从啃硬骨头开始，有时候从软柿子开始，怀抱明玉或者是另外一条可行的路，走着走着也就开始实现场景化的量化，技术的迭代，分析能力的提升，以及团队硬能力和软能力的迭代……

谈数据分析的时候回到人力分析，谈人力分析的时候回到商业分析，从人的本性和商业的本性出来，以people analytics 为手段，找到更好的改变生产力和生产关系的变革，这样或者组织变革和价值实现才会变得切近而可能，想清楚今天、明天、后天的目标、战争、阵法，像一个军队，进化、坚韧且优雅……

二、分析基本知识框架

“

一个现实是数据正在呈指数级增长，我们要做的就是将数据转化为信息，并进而转化为智慧。分析是为了更好的理解研究中的现象而将情景中的变量分离并识别的过程。

1.分析价值的基本假设

解决问题的常见两种方法：直接攻击并期待最好结果+分析和预防。

同样的，如果只是持续的“拍打”连续出现的问题，可能的情况是在浪费时间处理同样的问题，很难取得进步。

同样的，另一种解决方法的解决路径：如果收集了已经发生的事情的数据（描述性分析），并分析了他们为什么会发生，如果不处理会产生什么后果（预测性分析），然后设计出解决这个问题的方法，那么你可能会避免同一问题的再次发生（规范分析）。

----启示：以终为始，从一开始以解决同类问题的高度出发，关注效率、效能的提升和改善，关注与基于未来的更好的改变，而非目前现状/困难的重复。进化的一个很大体现就是寻找并应用规律。

2.分析的本质

分析首先是一个心理的框架，一个逻辑的过程，然后才是一系列数据的操作---数据只有在我们理解问题因素之间的交互作用，彼此关联后才能发挥作用。

----启示：做业务的并肩者，尝试从业务的角度去理解对人和组织数据的需求与期待，基于迭代的需求理解输出数据分析以支撑决策的落地。创造数据分析与业务共识/共创的探讨与交互，创造基于数据分析的影响力和影响场景的构建：先进的理念+基于业务价值/未来目标的出发点和归属点+过硬的逻辑框架+简单交互的BI互动+数据与业务的交互迭代，从循证到预测到规范。

人力资源分析的层次：从描述性分析到规范性分析，同数据的产生一样，也只是一个价值呈指数型增长的过程。

1）描述性分析：揭露并描述了相关关系以及现今和历史数据的模式，是开展分析工作的基础。传统的人力资源指标大部分是效率指标，最主要的关注点为成本的减少和流程的改善。

2）预测性分析：包括一系列技术（如梳理统计、模型的构建、数据挖掘等），这些技术基于现今和历史的真实信息对未来做出预测。这与可能性和潜在影响相关。----除了传统的直接的数据分析之外，还可以关注通过问卷/访谈调研等构建基于模型的预测性分析。

3）规范性分析：强调决策选择和劳动力优化，它被用来分析复杂的数据，从而预测结果，并提供决策，并展示可能带来的商业影响【在商业中实现规范性，如使用模型来理解学习投资如何影响利润等】。

3.分析价值链

分析的目的在于从大量的数据中找出最佳路径来发掘隐藏价值---财务价值和经济价值。

经济价值：包括注重实效的、非金钱形式的并能够影响物质资源的重要项目或流程，如市场信誉、客户满意度、最佳雇主品牌和社会关系。--即财务表资产负债外资产。
财务价值：包括现金和其他流动性的资源--即财务收益表和资产负债表中体现的内容。

启示：数据分析随着科技的应用，要从关注结构化的数据开始向关注非结构化的数据拓展，人力资源分析作为对人和组织的诊断和分析预测，需要从传统的数据指标框架的分析到对人、组织氛围的软性数据的关注，从关系、温度、效能的角度探索价值链的调优迭代，因此关注数据的沉淀，运动数据、打卡数据、系统访问数据等连接到对应的场景做优化。

数据观察的两种形式：结构性、非结构性。我们需要有效的观察混合数据，使得分析变得有意义。