01/

留给HR的时间不多了

很多HR朋友都说，HR越来越难做了，不仅仅因为业务一直变动，还有些人总在“搞事情”。90年代财富杂志上就有人提出第一炮，说要炸掉人力资源部，认为人力资源部不是真正的业务合作伙伴，它的职能可以外包或转移。

接下来火力开始转移，转移到HR自己身上，2004年《Fast Company》杂志刊登了一篇文章，标题非常醒目，《为什么人们恨HR？》，里面有一些非常尖刺的言语：

• HR既不是战略管理者，也不是领导者。

• HR侧重于行动而不是结果，这个结果指的是业务结果。

• HR不懂业务语言，更不懂CEO们在想什么。

• HR用了那么多新技术，真的有帮助到我？还是在给我增加负担？

这些声音逐渐扩大，大咖们也出来参与讨论了。

拉姆·查兰2014在《哈佛商业评论》上发表专栏文章，他认为HR应该拆，怎么拆呢？先把偏行政的内容一刀切，再把薪酬福利拆到CFO之下，另外一部分管领导力、人才的放到CEO下面。

本质还是要把HR彻底炸掉。

而就在当年的杂志上，尤里奇发表文章反驳拉姆·查兰：我们不应该拆分HR，如果HR能够在人才、领导力和组织能力上给高层领导者提供足够的洞见，那么HR就是有价值的。

尤里奇给我们指明了非常重要的方向，HR最紧迫的任务是证明自己的价值，但这个价值真的很难去呈现，有那么多的不可控因素，到底什么东西才能体现HR的价值呢？

这几天正好是欧洲杯，国足也正在踢。评论员有一个经典语录：留给国足的时间不多了。这句话我也送给HR，留给HR的时间不多了。为什么？

第一，我们现在好像多了很多非常友好的方式，包括RPA、自助服务、细分领域的外包服务，还包括机器人，不管是实体的机器人还是在线聊天的机器人。他们看似已经填满了HR和员工之间所有的距离。那留给HR的时间在哪里？

第二，《哈佛商业评论》对大概八百家领先企业的高管进行了分析，研究他们的时间用在了哪里？结果显示，如果大概每天开一场高管会（高管会指的是CEO、CFO、CHO都要参加的高管例会），每场一个小时的话，一年大概有250个小时这样的顶级会议。

很不幸，高管们给到HR的时间只能排到第五的位置。第一位一定是业务结果的复盘，然后是战略的传导和制定，其次也包括各种危机时刻，不管是新冠还是业务变更上进一步的动态。真正留给HR的时间，可能平均每个月就两个小时。

这么短的时间内，HR Head、HRVP、CHO们如何向管理层，如何向业务方呈现价值？大师尤里奇已经给了我们相应的答案，那就是从Scorecards到数据驱动业务的变革。

从早年的平衡计分卡、KPI，到中间的所谓基于ROI的分析，到现在基于工作，以人为核心的分析，其实是思想的转变。从最开始的被动式的、只是对结果的衡量，到现在要反过来，要在业务结果出来前，用HR的手段去影响最终的结果产出。

02/

People Analytics的业务闭环

因此诞生了People Analytics的新赛道。从框架上看，People Analytics既包括公司核心战略，也包括系统，还包括方法论和统计学。

让我们首先来看看业界领先的公司怎么做的？

• 雀巢，在传统的人力资源KPI Dashboard之上，增加了其他部门，包括研究HR数据变化趋势的描述性分析，包括预测性分析，以及着眼未来的战略性劳动力规划。

• 微软，成立了People Analytics独立的团队，为BI团队、Business Leader、HRBP等提供服务。

• Google，主营业务是软件和广告，在销售、Enginering分归不同条线的情况下，单独划分出People Analytics团队只做人力资源分析，并且把结果反馈给业务部门。

• 博世，把传统的、定位于底层服务的人力资源分析，提高到顶层战略的地位，达到与其他所有的人才管理措施一样的高度。

以上提到的都是大型企业，那么中小企业、成长型企业应该怎么做呢？

People Analytics绝对不是一蹴而就的，而是随着企业的发展，而不断发展。从企业最开始的野蛮生长期，到平台期，到最后的转型期，每一个阶段People Analytics要做的事情、要针对的方向一定不一样。因此，对于特别小的企业，做People Analytics是不现实的，我们追求的目标在这个阶段是不一样的。

接下来给大家看一个场景，呈现的是People Analytics从0到1到突破增长的过程。首先，是第0步，做过People Analytics都知道，常规的一个项目如果耗时12个月，其中的9个月可能是在数据建模和清洗。这是打地基的一步，如果前面的地基没有打好，就没有后面的步骤。在数据模型的基础上，再结合引人入胜的图表、分析才能讲好一个最基本的故事，才能在第一个野蛮生长的周期看清楚大致的状态。

接下来可能会进入一个突破增长的阶段。People Analytics的出发点或切入点，一定不是来自于人力资源自己拍脑袋，最常见的需求是来自于我们的业务，可能是扩张的需求，也可能是业务停滞的需求。简单说，就是老板最关心的事情。

举个例子，如果某个大区产品销量不合格，进一步细化分析原因：可能是这个产品在这个区域没有准备好足够的资源，其背后对应的是人力资源的流程、结构的缺失，涉及人员、培训、产品本身等一系列问题。

那如何通过合理的排兵布阵，把不同的情况模拟出来：如果我把优秀人才放进去，对于现有的业务影响是什么样的？可能的产出是什么样的？如果真的把这些人派出去，如何从HR的视角再次聚焦业务？

在我们的目标库里，销售的指标是什么，生产的指标是什么，培训和发展的指标是什么，把这些指标凝聚在一起，形成以人为抓手、目标是解决业务问题的流程。通过不同模型的对比、分析和拟合，形成对业务直接的反馈，这才是People Analytics想完成业务闭环的逻辑。

大家要知道，People Analytics一定要解决业务问题，它不是我们自嗨的工具。

03/

People Analytics的三重境界

下面简单分享一下People Analytics存在的三重境界。

首先第一重，称为“一目了然”。比如说呈现销售人员的状况，他们是谁，在哪个部门，什么时候入职，有什么基本的人口学变量。这是最常规的、通过Excel和计算就可以得出。

第二层，我们需要“洞若观火”。意思是不仅要知道这些人现在的情况，更重要的是要知道他的变化趋势。

比如说某公司的离职率可能是一年100%，但这个数据高不高呢？其实是不好判断的，要有对比。首先对比自己，过去是不是一直这么高？如果过去是200%，现在降到100%，那其实是一个改进。或者说竞争对手是300%，我做到100%，其实也是OK的，说明我比人家的运营成本低。如果没有横向、纵向的比较，光是这些指标是没有意义的。一定要知道变化的趋势和对比，才能知道你真正所处的位置。

第三层境界就是“鉴往知来”。基于过去所有的信息，跳出HR，和业务系统的内容联结在一起。把HR数据、财务数据、成本数据、劳动力管理数据，所有这些都结合在一起，才能够得出之前没有想到的洞见。

比如说人才招聘，如果已经做好了人才的定量分析，就能知道招一个高质量的符合目标画像的人可能从什么渠道来，需要多长时间，需要多少成本，流失率怎么样。那么就可以模拟出，如果明年要再开100家门店，能不能达到招聘目标，如果不能达到，还需要做什么额外的目标。这才是真正落地到业务。

真正把一个人力资源分析的项目落地，还有非常多的拦路虎。最开始可能是老板不重视，HR没有资源，大家也不知道这个东西能不能产生效果。到中间可能是不知道到底有没有人去做？配套的数据、资源是否充足？到最后得出了分析结果，那能否根据分析出的结果驱动业务做出决策呢？

这些都是各种各样的障碍，但必须明确的是，如果没有做这样的数据分析，如果想凭空说服业务领导，一定会失败。

04/

需要什么样的People Analytics系统？

我们需要一个什么样的People Analytics的系统？以下总结了四点进行分享：

1. 要为HR而生。我们普通企业用的，比如说ERP或者财务，他们的分析系统和HR想要的东西是不一样，一定要有一套专门为HR设计的系统。

2. 要开箱即用。这并不是说有报表可以直接拿来使用，而是指一定是要用HR能懂的方式，不需要学机器语言、学编程，而是用HR的专业能力，就能把不同的东西组合在一起。

3. 不要重新造轮子。有足够多的参考内容提供，不需要再拍脑袋重新设计。

4. 要超越HR本身。要能链接到更多的业务数据，包括要具备更高阶的能力。

首先，为什么说HR的数据和传统数据（比如财务数据）不一样呢？大家可以想一下，我们平时淘宝下个单，就形成了一行数据，记录下来即可。但HR数据不一样，一个员工，只有他在系统里发生了变化，才会留下一条数据，如果这个员工老老实实在这个岗位上待一年，他不会有任何变化数据。所以HR系统需要智能地把HR事件转化成HR可以直接使用的语言。

再举个具体的例子，比如说转岗。在分析组织活力和有效性时，其中一个方法就是看组织是怎么变化的，它的成长规模是什么样的，是怎么从一个组织变成另外一个组织的。常规情况下，转岗只会记录一条数据，那就是员工从A部门转移到B部门，但这是不够的。因为在分析时，既要看A部门有多少人流出，也要看B部门有多少人流入，它是不同的事件。所以，一定需要有一个合理的、专门为HR设计的系统，来把这些标签加进去。

在数据基础之上，会涉及到HR分析的指标。分析指标说起来简单，实际上也可能存在较大的问题。拿常见的离职率来说，用期末人数减去期初的人数，再除以在职人数，看起来很好计算、很正确。

但举例来说，如果要计算一个部门的人员成本，已知今年这个部门投入了500万，那这个部门的人数有多少呢？看似很简单，其实不简单，因为部门不是静态，它一直在变化。这个部门开年只有两个人，然后为了做一个项目，增加了一百人，但十月份决定不做这个项目了，一百个人都撤出来，这个部门又回到了两个人。

如果只看期末和期初，是不是这个部门没有任何变化呢？500万的成本是不是就花在这两个人身上呢？这么一个简单的例子告诉我们，其实最简单的指标看起来都不简单。

正确的解法是，要去计算这个部门每一天平均的人数，要把365天每一天的人数都算出来，然后做一个平均。但那么庞大的计算量，有谁愿意去做这个事情呢？所以需要有IT系统支持把这个事情做完，这样才能有一个准确的基础。有了这个准确的基础之后，才能和行业对标。否则维度、逻辑不一样，别人的数据和你的数据其实是在鸡同鸭讲。

“不要重新造轮子”的意思是，HR的指标同样是二八原则，有80%的指标所有人都在用，有20%指标需要自己创新，但那80%的部分用了多少精力去造？这个可能是决定People Analytics项目成功与否的关键。

最后分享一个案例，全球最大的咨询公司之一，在全球大概有30万人，在中国大概有3万人。它主要的核心资产是人，主要的业务是派驻咨询顾问到客户方提供服务。在今年扩张的过程中，发现一个最大的痛点，就是核心人才的流失，导致无法快速地扩张。它用全员的数据，做了一个大规模的人力资源分析，来找出冰山之下可能存在的一些蛛丝马迹。

在它的模型里，一个人身上大概有四百多个标签，包括了人的基本属性，包括绩效、薪酬、财务、时间管理，包括项目的信息。通过算法的筛选、分析，最后发现这四百多个标签中只有七个指标是真正影响关键人才去留的。

这七个指标有一个很大的特点，就是基本上都不是一阶指标，即不是能在人身上直接得到的，诸如性别年龄这样直观的指标，而更多体现为派生的指标。

• 工资，并不是指绝对工资的高低，而是和同事相比，过去两年之内工资的变化情况。这个也很符合中国人的逻辑，不患寡而患不均。

• 绩效，并不是绩效绝对分数的高低，而是过去两年之内绩效有没有下跌。上升了可能不会产生特别的影响，但如果绩效打分降低了，可能会显著地增加离职风险。

• 发放奖励的次数，同时分析给员工发放项目奖金的总额，发现总额并不重要，次数很重要。因为是通报制，奖励后每个人都能看到，这可能会产生积极的影响。

• 还有一些指标可能平时不常用，比如说因为是咨询公司，会分析员工在客户处服务的时间，发现时长越长，和公司的维系就越弱。

基于这样的分析，做了一个仪表盘，在关注关键人才的同时，也能带动整体的离职率，包括关键人才离职率的下降。

但我想提醒大家的是，每一个企业的文化、管理方式、分析问题的抓手差别是非常大的，所以很遗憾我们并没有一套标准的解决方案。很多人都在研究什么样的因素可以产生高质量的员工，什么样的因素可以降低员工的离职率，事实上并没有一个通用的解决方案，这个方案是不存在的。

但其实这也是我们HR的幸运，因为谁能把这个东西搞清楚呢？只有HR，只有HR懂企业内部的业务，懂企业的数据，懂如何把这些东西结合在一起，如何把这个故事讲清楚，如何和人沟通，把背后的原因找出来。只有HR，其他任何人、任何技术都不能代替，因此这是HR之幸。

有时候提出一个更好的问题，可能比找到答案更重要，因此我们整理了关于People Analytics的一百个灵魂拷问，希望可以帮助大家思考分析，做出判断。