《FESCO：2022人力資源數據運營與管理調研報告（76頁）.pdf》由會員分享，可在線閱讀，更多相關《FESCO：2022人力資源數據運營與管理調研報告（76頁）.pdf（76頁珍藏版）》請在三個皮匠報告上搜索。

1、人力資源數據運營與管理The Operation and Management of People Data 版權聲明 本調研報告屬智享會和 FESCO 所有。未經雙方書面許可，任何其他個人或組織均不得以任何形式將本調研報告的全部或部分內容轉載、復制、編輯或發布于其他任何場合。Copyright ownership belongs to HR Excellence Center&FESCO Reproduction in whole or part without prior written permission from HREC&FESCO is prohibited.調 研 報 告調研主

2、辦方聯合主辦方人力資源數據運營與管理2顧問感謝Thanks consulTanT顧問團首席顧問吳雅明首席信息官 FESCOLuc JiangRegional Practice Lead People Insights APAC Roche(Group)王斌績效薪酬部總監虎彩印藝股份有限公司潘一鳴人力資源數字化經理歐普照明于文強人事共享服務中心信息室經理東風汽車集團股份有限公司王崇良前百度/滴滴 DHR 總監許靈系統及數據管理高級專業經理寶龍地產楊路本體共享中心副總經理綠城服務朱成敏HRIS 經理科大訊飛股份有限公司作者曾月茹 Renee.Zenghrecchina.org曾月茹現任人力資源智享

3、會（HREC）調研顧問一職，曾負責企業職業生涯管理地圖調研報告、校招培養新思考：管培生、培訓生、校招生加速項目調研報告、外部人才庫的精細化運營管理調研報告。在本次調研報告中負責問卷設計、數據收集與處理、案例采訪、報告撰寫等工作。曾月茹畢業于英國紐卡斯爾大學，獲得全球人力資源管理碩士學位。人力資源智享會感謝以下調研顧問團成員在本次調研及案例采訪過程中提出的寶貴建議（顧問排名不分先后）The Operation and Management of People Data3目錄conTenT前言研究框架核心內容梗概人力資源數據運營階段概況HR 數據運營 1.0 階段：關注數據治理 現狀與挑戰 現狀：

4、對數據重視程度低，數據治理較為零散 挑戰：數據質量不佳，缺乏體系化治理 挑戰解決 宏觀現狀思考 微觀挑戰解決 1.0 階段 經驗萃取匯總HR 數據運營 2.0 階段：關注數據運用 現狀與挑戰 現狀：數據治理已較為完備，該階段企業更關注數據運用 挑戰：數據口徑不統一，無法診斷管理者需求，數據報告價值不突出 挑戰解決 數據口徑統一，進行數據整合 診斷管理者需求，提升數據報告價值 2.0 階段 經驗萃取匯總HR 數據運營 3.0 階段：Whats The Next Step？標桿數據案例啟示與專家洞察44561313162627273039414850人力資源數據運營與管理4數據作為一個專有名詞，在

5、過去的 10 年內，圍繞這個詞衍生出了如大數據分析、敏捷數據分析、大數據應用、智能數據 AI 等一系列相關名詞，企業被置于“不談數據就落伍了”的浪潮中，而與組織人才資源和人員管理息息相關的人力資源數據亦是如此，在數字化轉型的大背景，人力資源數據的運營與運用承接了企業數字化轉型的重任。那么，當前企業的人力資源數據運營走到了哪一步？我們發現，由于企業所處的成熟度及對 HR 數據認知和需求不同，不同企業在人力資源數據的運營與運用上存在不同的階段。多數企業處于成熟度較低的“數據基礎建設”的階段，談數據決策為時尚早，也有部分企業先行，數據治理較為完備，數據的運用成為最大關注也存在一定挑戰，還有極少數企業

6、致力于探索 HR 數據和業務數據的整合，實現數據高階分析與應用。本次調研將從以下 4 個部分展開，力求幫助企業梳理自身在 HR 數據運營中所處的階段及相關挑戰的解決與思考，從而更好地邁向下一個階段，最終能夠實現人力資源數據對決策的助力和驅動：研究框架前言人力資源數據運營階段概括本部分將結合 HR 專家洞見、市場上已有的數據成熟度模型及相應的數據分析，呈現本次調研所發現的人力資源數據運營三個不同階段及其特點。本部分將從“現狀與挑戰”及“挑戰解決”兩方面入手，梳理 1.0 階段企業現狀、數據治理存在挑戰的原因及具體解決方案。本部分將從“現狀與挑戰”及“挑戰解決”兩方面入手，梳理 2.0 階段企業現

7、狀與挑戰，并探究挑戰的具體解決方案。本部分將進一步探討 3.0階段的畫像要素，并梳理企業邁向 3.0 階段可能需要達成的準備條件。HR 數據運營 1.0 階段：關注數據治理HR 數據運營 2.0 階段：關注數據運用HR 數據運營 3.0 階段：What s The Next Step?The Operation and Management of People Data5不同階段現狀和挑戰不同，企業的關注點也有所差異 1.0 階段的企業普遍對數據的重視程度較低，數據質量不佳;體系化的數據治理成為當前階段的挑戰解決重點?，F狀：46.08%企業的管理者對數據運營仍持觀望態度，未投入相應資源。59.

8、80%企業沒有數據相關負責人統籌系統、流程、數據等之間的關系，數據治理較為零散。挑戰：缺乏體系化的治理，數據質量不佳。經過挑戰分解后的要素提取，我們發現數據質量存在問題主要由未思考好數據與信息化數字化之間的關系、缺乏專業負責人、未做好流程設計、系統準備不佳、字段標準不統一、數據錄入和校驗存在問題等一系列原因，因此挑戰的解決可從這幾個方面一一入手。2.0 階段的企業數據治理已較為完備，該階段企業更關注數據運用；數據口徑統一和診斷管理者需求，提升數據報告價值成為該階段企業的挑戰解決重點?，F狀：42.18%企業的共享服務中心已處于較成熟和完備的階段；61.76%的企業有專業的負責人統籌數據的治理工作

9、；29.41%的企業管理者能夠主動對數據運用提出想法，數據治理和數據響應在這個階段已實現得較為完善。挑戰:在數據運用上，“數據分析報告的價值不突出，無法通過數據發現管理中的核心問題（89.66%）”“無法診斷到位對管理層/決策有意義的數據分析指標（79.31%）”“各業務部門對數據指標的理解和分析不一致（75.86%）”為企業當前階段數據運用的最大挑戰，因此，診斷管理者需求，提升數據報告價值和口徑統一成為當前階段的數據關注重點。市場上對于 3.0 階段畫像有一定共識，但尚未有成熟的實踐；企業需要具備一定的準備條件才更有可能邁向 3.0 階段。市場上對于 3.0 階段畫像有一定共識，強調引入業務

10、數據，助力業務問題解決與預測，但有成熟實踐的企業極少。3.0 階段的實現，企業需要在企業文化、系統和平臺支持、數據本身準備、專業人才及團隊具備相應的成熟條件。目前 3.0 階段已有嘗試的運用場景為人均效能分析、離職風險預警分析、勞動力規劃、組織能力建設等。核心內容梗概人力資源數據運營存在不同階段且階段的市場占比差異較大 人力資源數據運營管理呈現三種不同的成熟度（各自畫像如下）1.0 階段能進行數據的基礎治理或部分治理，數據質量較低，當前的重點更多放在數據質量的提升數據分析更多是系統報表和基礎數據描述分析。2.0 階段能夠實現體系化的數據治理工作，數據質量較高，當前的重點更多放在數據質量進一步優

11、化及數據助力決策運用，能夠對人力資源大部分模塊進行專題報告、BI 等深度分析。3.0 階段不僅需要 HR 的數據，為了更好地支持業務，需要引入業務數據，為業務做好預測和預警，承接業務和戰略的需求，提供更為客觀科學的依據。當前人力資源數據運營總體成熟度較低，1.0 階段企業占比最多，部分企業進入 2.0 階段，3.0 階段企業占極少數。62.96%的企業處于數據運營的1.0 階段；20.99%的企業已經進入 2.0 階段；而僅有不到 2%的企業能夠實現 3.0 階段。人力資源數據運營與管理6人力資源數據運營階段概況HR 洞見：聽聽 HR 怎么說隨著企業數字化轉型或者用數字化手段助力決策的需求愈發

12、迫切，HR 們對于“用數據說話，甚至用數據決策”的關注度也越來越高。結合前期訪談，我們也了解到人力資源數據運營與運用的程度與企業自身的規模、管理層的重視度、企業信息化程度、是否有專業的人才以及企業當前階段的數據側重點都息息相關，不同企業對數據的運用和實現也處于不同的階段。在參考了國外人力資源數據階段模型后，我們也通過與 HR 的訪談，結合國內市場現狀，總結了當前國內人力資源數據運營成熟度階段及其市場現狀。本章節將從HR洞見：聽聽HR怎么說+模型參考+標桿數據分析=人力資源數據運營成熟度階段的內容進行深入探討。注：標桿數據分析詳見 P48，我們將僅在 P10 的模型中歸納關鍵要點HR 洞見：聽聽

13、 HR 怎么說模型參考標桿數據分析人力資源數據運營成熟度階段關鍵詞提要關鍵詞提要“首先人力資源數據運營這件事要看大家對于數據是不是重視，只有在重視度足夠了之后，企業才會開始關注數據的質量，逐漸通過一些流程自動流轉的方式確保數據的及時性和準確性。當所有的數據準備已經達到一定的要求之后，可能會涉及到數據的多模塊聯合應用，甚至用相應的數據模型進行預測”“第一階段公司對數據格式和數據收集內容進行統一，方便后續數據的留存與應用，主要是用來打基礎，做數據的積累。這個階段的數據運用會有一定的考慮，雖然不夠全面，但會提前思考需要收集哪些數據，能夠通過系統形成一些報表或少量的定制化分析。這個階段企業更多是需要花

14、很多精力配合數據質量的提高。第二階段要解決系統整合性的問題，人力資源自己體系內的孤島要產生，不同系統做數據倉庫/中臺，開始進行薪酬分析、線上線下的專題報告，深度一些的可能進行 BI 分析，這個階段能助力一定業務的發展。人力資源數據成為一個孤島后，到了第三階段要考慮的是企業大數據，如何從企業層面將人力資源數據、財務數據、供應鏈數據等各職能數據打通，將各體系數據聯動起來，最終對經營產生價值，這個是最高階但也是最難的階段。對數據的重視度 數據質量 數據聯合運用 模型預測運用1.0 階段 數據積累 系統報表和少量定制化的分析 提升數據質量2.0 階段 HR 內部模塊整合 專題報告、BI 分析3.0 階

15、段 與業務數據進行整合The Operation and Management of People Data7關鍵詞提要專家洞見前百度/滴滴 DHR 總監 王崇良數據說話。數據說話階段大部分企業都已經開始實現，為不同管理層和決策層、或者 HR 的專業用戶提供統計報表和分析看板，用數據說話。當前企業基本的商業套件里已經能夠提供基礎的標準報表和儀表盤等工具，即使沒有提供，有些企業也運用了市場上的一些 BI 工具來實現。這些工具可以上是“微服務“的形式提供組件，企業能夠很快引用進行自建或者進行簡單配置后使用，多數企業都能夠借助這些工具用數據說話。數據決策。數據決策階段是利用數據輔助管理層決策。輔助決

16、策分為兩個含義：首先是輔助過程決策，決策過程涉及多個流程和節點，過往管理者決策時往往依靠經驗和主觀判斷，而當前數據分析作為工具，能夠讓各級領導在審批過程中基于自身的權限和管理范疇看到不同的看板，為管理者決策過程提供一些智能化的參考和建議。其次，數據也能輔助管理者進行管理判斷，即為最終決策層的拍板提供數據參考和支持。在人力資源數據決策的實現上，有些互聯網企業走得快一些，因為它們數據采集和各方面能力的儲備相對完備，數據的準確性、一致性也相對較高，這樣的情況下人力資源才能和業務方產生互動和建立互信，有互信的基礎業務方才會使用數據，用了數據才能發揮價值。很多企業也開發了各種工具，但數據治理缺乏完備的規

17、則規范，數據自身缺乏準確性和完整性，管理者和業務方對數據沒有信任，也就不會使用。因此，企業需要在前期花大量的時間和精力進行數據治理，將業務規則、操作規范、管理權限和管理職責等定義清晰，確保歷史存量數據和未來不斷產生的增量數據是有序的、在同一個頻道和同一套規范和規則下產生的，才能確保穩定的數據相對完整和清晰，再輔助決策工具才能真正實現數據分析輔助決策。這個階段人力資源對數據決策的助力更多是關注人，關注人力資源自身?；谌肆Y源最終的判斷呈現關鍵指標。其中也會有來自其他業務部門如財務指標，因為要助力決策，一般是對組織、負責人或關鍵崗位人才，這部分人都有一定的部門績效或者組織績效的考核?！皵祿\營”

18、（非本報告中數據治理工程的概括，而是與企業整個經營層面相掛鉤的數據綜合價值發揮層面）。數據透明、數據說話和數據決策偏工具層面，而數據運營與企業的整個經營層面相掛鉤，探討的是當人力資源整個數據納入公司的運營體系來看的話，它能發揮哪些價值？這不僅僅是人力資源層面的，公司整體的人、財、物、事中，“人”只是其中的一環。人力資源要結合企業的未來戰略提前進行“排兵布陣”，包括人才識別、選拔、任用、配置、激勵、發展等。同時，這個過程需要實現仿真和預測的功能，業務部門和管理層能夠看到不同的排兵布陣的方案都能實現何種結果，從而做出正確的判斷。1.0 階段 描述型分析 借助工具用數據說話2.0 階段 診斷型分析

19、利用數據輔助管理決策3.0 階段 預測型分析 將人力資源數據納入公司運營體系 結合企業未來戰略做出“排兵布陣”方案，供業務部門參考做出判斷人力資源數據運營與管理8關鍵詞提要專家洞見歐普照明 潘一鳴不同企業在數據分析上能夠實現的程度，可以概括為：第一階段，企業數據分析側重于將各個模塊發生的事情進行描述和展現。第二階段，企業側重于將所有模塊數據進行匯總，將所發生的情況描述清楚且反映出其中的問題。第三階段，企業側重于分析數據所反映出的問題出現的原因，并預測將來可能會發生的情況。在具體的實現方式上，第一階段企業的數據分析通常為各個模塊“各自為政”，分析取決于系統本身自帶的報表功能及HR的數據分析能力。

20、企業若具備足夠好的系統工具，且需求明確、需要分析的數據清晰和系統流程相對成熟，即能夠通過系統生成直觀的報表。若系統工具不佳，可能部分需要借助手工方式處理，需要 HR 具備較好的 Excel和報表等處理能力。這一階段的數據更多是將各個模塊的獨立分析進行匯總呈現。第二階段有條件的企業能夠通過中臺統一抓取和分析數據，排除人為干擾因素。這一階段實現的前提是企業所有的業務流程已經完全依附在應用系統上，且進入中臺的數據都是完整與準確的。原先各個模塊獨立分析，維度也各不相同，中臺能夠按照公司的某一維度、口徑，抓取所有模塊的對應指標進行統一分析。其次，這個階段企業應無需再手工處理數據，也不受限于平臺自身的報表

21、功能，當企業能夠通過數字化的手段實現，不進行人為干預，并能夠通過儀表盤等呈現形式將分析結果給予業務和領導層查看，這一階段的數據分析已經實現得較為理想。第三階段對于絕大多數企業而言有些“好高騖遠”，若要實現第三階段的預測，企業需要在第二階段的基礎上引入業務數據，將各事業部業務指標結合財務、人力等指標進行綜合分析。只有明確業務指標，HR 才能了解人力資源在其中的助力點，如需要配備的人員資源、人員需要具備的資質、需要的預算和投入等，當所發生的變化產生到人員數據上，對應的流程、離職率等多個方面也會發生變化，才能實現最終多個維度綜合分析后的預測給予業務參考，否則只靠 HR 層面的預測和單獨的模塊預測都沒

22、有預測的意義。1.0 階段 各模塊“各自為政”系統自帶報表功能2.0 階段 數據中臺統一處理與分析數據 儀表盤呈現3.0 階段 引入業務數據，進行綜合分析 結合業務指標規劃人力資源配置，實現預測；數據分析對業務有參考性The Operation and Management of People Data9模型參考 The People analytics Maturity Modellevel1Fragmented&unsupportedlevel2consolidating&Buildinglevel3accessible&utilizedlevel4Institutionalized&Bu

23、siness-Integrated 數據集成能力有限，收集零散的數據；個別具有“數據分析”的角色分散在組織中；直覺、經驗驅動決策的主要因素；而不是數據；缺乏數據治理，導致存在的數據風險。經常及時地收集數據；聚焦于建立統一數據庫，安全準確性提高；使用嵌入式分析工具，在“滿足 HR 報告需求”上花費時間和精力；致力于建立 PA 團隊；PA 團隊與業務、職能部門形成伙伴關系，但主要仍局限于 HR；數據管理治理能力有待提升。運用多渠道、智能化的工具和技術收集、整合和分析數據；PA 關注點（視角）從人力資源開始擴散至業務戰略和目標；出現新的交付形式，以更廣泛地進行數據洞察共享；用新的分析和工具進行有重要

24、意義的嘗試（如建立預測模型）；更集中、規模更大的 PA團隊；強有力的數據治理。先進、實時的、AI 化的輔助工具和技術收集、整合和分析數據；PA 融入業務、人才決策以及其他日常工作；形成強有力、多樣的分析交付方式與機制，包括附有預警、預測功能的產品、自助共享服務；增加對新分析和工具的實驗；跨職能的、集中式的 PA團隊形成；且具有“業務聯絡”角色；數據自然流暢地運用于所有與人管理相關工作和決策中。What is happening？Why did it happen？What might happen？注：以上成熟度描述參考自 Bersin by Deloitte:High-Impact Peop

25、le Analytics結合 HR 們的反饋及已有的成熟度模型，我們發現：在談及人力資源數據運營，大家多從數據的現狀、數據分析能夠實現的程度、數據分析及展示的工具與手段等幾個維度來劃分。在具體的階段劃分中，模型中的 3.4 階段對于當前企業都處于較難實現的展望階段，因此，在本報告中我們將不對其展開討論，統一合并為 3.0 階段。因此，在對以上的總結后，我們歸納出了以下模型：人力資源數據運營與管理10人力資源數據運營成熟度階段能進行數據的基礎治理或部分治理，數據質量較低當前的重點更多放在數據質量的提升數據分析更多是系統報表和基礎數據描述分析能夠實現體系化的數據治理工作，數據質量較高當前的重點更多

26、放在數據質量進一步優化及數據助力決策運用能夠對人力資源大部分模塊進行專題報告、BI 等深度分析不僅需要 HR 的數據，為了更好地支持業務，需要引入業務數據，為業務做好預測和預警，承接業務和戰略的需求，提供更為客觀科學的依據1.0 階段2.0 階段3.0 階段管理層重視度負責人員/團隊數據分析實現模塊數據應用與展示意識到重要性，僅從態度表示支持，持觀望態度（41.18%）或能夠投入資金和專人維護數據質量（42.16%）多為專人負責（49.02%），較少企業會設專職/專崗（24.51%）HR 單個或多個模塊的獨立分析（63.73%）系統基礎報表設置專職團隊/專崗負責（52.94%）HR多模塊整合與

27、交叉分析（41.18%）儀表盤廣泛應用設置專職團隊/專崗負責（100%）除了 HR 內所有模塊，還能夠實現與業務模塊整合分析（66.66%）預測模型和工具，AI 工具意識到重要性，并能投入資金和專人等維護數據質量（47.06%）能夠投入資金和專人，并能夠對數據運用提出需求與想法（29.41%）意識到重要性，能夠投入資金和專人，并能夠對數據運用提出需求與想法（66.67%）注：該表格所呈現的維度總結于前文專家洞見、模型以及標桿數據分析（詳見 P48）The Operation and Management of People Data11不同成熟度市場現狀14.20%62.96%20.99%1.

28、85%圖表 1：以下哪一描述更符合貴公司在人力資源數據運營與管理上的現狀？N=162數據未實現線上化，仍靠手工處理，未進行數據分析和應用1.0 階段能進行數據的基礎治理或部分治理，數據質量較低，當前的重點更多放在數據質量的提升，數據分析更多是系統報表和基礎數據描述分析2.0 階段能夠實現體系化的數據治理工作，數據質量較高，仍需根據運用需求進一步優化和校準，能夠對人力資源大部分模塊進行專題報告、BI 等深度分析3.0 階段不僅需要 HR 的數據，為了更好地支持業務，需要引入業務數據，為業務做好預測和預警，承接業務和戰略的需求，提供更為客觀科學的依據*本次調研共收集問卷 252 份，判定后最終有效

29、問卷為 162 份。結合前期訪談，我們梳理出人力資源數據運營的幾個關鍵階段，也通過市場數據進一步作了驗證，可以發現：數據線上化程度高：超 85%企業都已實現數據線上化。HR 數據運營與運用成熟度低，數據體系化治理是當前多數企業（尤其是 1.0 企業）的主要問題：超 6 成企業當前數據質量較差，數據運用和分析的階段較為基礎，多數企業人力資源數據運營的程度還處于較不成熟的 1.0 階段。3.0 階段企業只是展望，實踐企業少：僅有不到 2%的企業能夠進行數據建模和預測型分析，該階段對于當前企業來說更多只是“展望“?；谏鲜鰧ζ髽I不同數據發展階段的劃分以及整個市場當前的現狀，可以發現不同階段數據基礎和

30、需求不同，數據的側重點不同，數據分析的實現程度也不同。本次調研我們重點在于探究如何對線上化的數據進行治理、整合及運用，因此“數據未實現線上化，仍靠手工處理，未進行數據分析與運用”的階段不在我們此次的討論范圍內。而 1.0，2.0，3.0 階段的企業，對于數據的需求不會止步不前，多數企業都希望完善數據成熟度，實現數據的深度運用。因此，本報告我們重點在于梳理不同階段企業當前所存在的挑戰，并呈現挑戰解決方式，提供企業更好邁向下一階段的一二啟發。人力資源數據運營與管理12您可以如何開啟此報告基于前文可以發現，企業人力資源數據運營呈現3個階段，不同階段的市場占比差異較大，且每個階段都有不同的側重，因此，

31、本報告針對每個階段會有不同的著墨：1.0 階段企業市場占比較多，且該階段是數據運營與運用的基礎，因此，本報告將更多著墨于這一階段的挑戰梳理與解決，即如何進行體系化的數據治理，幫助企業打好數據基礎。（詳見 P13-P26）2.0 階段的企業僅占 2 成，但這一階段的實現是企業能夠用數據說話，數據助力決策的關鍵階段，我們也將梳理這一階段的關鍵挑戰，重點探討企業如何進行數據口徑統一，整合數據以及診斷管理者需求，提升數據報告價值，從而助力企業利用數據決策。（詳見 P27-40）3.0 階段能夠實踐的企業極少，因此本部分將更多呈現3.0 階段的畫像要素，并梳理企業邁向 3.0 階段需要達成的準備條件，希

32、望與讀者一同思考與探討。（詳見 P41-47）因此，您可以結合企業當前所處的階段以及您的興趣閱讀此報告The Operation and Management of People Data13宏觀現狀思考微觀挑戰解決挑戰解決數據質量不佳，缺乏體系化的治理挑戰HR 數據運營 1.0 階段：關注數據治理現狀與挑戰數字化的概念已然成為當前企業熱潮，數據也成為越來越熱的話題，許多企業開始上線系統，進行數據線上化，在這一信息化的過程中關注的是系統和數字化工具帶來的效率提升，進行數據的積累，但對于數據最終要實現的價值創造未做太多思考。對數據重視程度低，數據治理較為零散現狀現狀：對數據重視程度低，數據治理較

33、為零散不僅僅是信息化，要思考與布局數字化“現在企業都在做數字化的變革，都在上系統，很多企業上線系統的時候并不知道為什么這樣做，他們更多是為了做事方便或提高效率，而不是從管理決策及應用的角度去思考的，雖然效率是得到提高了，但是后續到運用層面的時候還是需要從頭再做?！薄?.0 階段企業數據運用往往在于提升效率，用流程驅動業務工作，打好數據基礎，這個階段更多是需要企業花時間提高數據質量。未意識到人力資源數據的重要性意識到人力資源數據的重要性，但僅從態度表示支持，持觀望態度意識到人力資源數據的重要性，并能夠投入資金和專人等維護數據質量意識到人力資源數據的重要性，并能夠投入資金和專人等維護數據質量；同時

34、，對于數據的運用也會主動提出需求與想法“1.0 階段企業對數據格式、數據收集內容進行統一，方便后續數據的留存和應用，主要是用來打基礎，做數據的累積。這個階段通常是上線了系統，系統相比 Excel 能夠記錄數據的歷史變化信息。管理層和負責數據的經理對這個事要重視，系統上好只是第一步，如果沒有很負責的人去做后續的更新，難以保持的數據準確性?！眻D表 2：以下哪一描述更符合管理層對人力資源數據運營管理的態度與意識？N=1024.90%41.18%42.16%11.76%人力資源數據運營與管理14有明確的負責人，對于系統各個模塊的打通，流程設計和數據治理及后續運用有整體認識沒有相關負責人，企業更多考慮信

35、息化過程，對于數據后續的治理與運用沒有過多布局其他圖表 3：貴公司在 HR 系統建設和數據治理運用過程中，如何進行整體布局？N=102圖表 4：貴公司在當前階段人力資源數據治理遇到的主要挑戰為？N=10238.24%59.80%1.96%綜合以上，我們可以發現：企業更多關注在工具帶來的效率提升，對于數據運營如何實現價值以及如何布局未做太多思考。管理者對于 HR 數據的重視度一般。近 5 成的企業對于數據仍處于觀望態度，未投入相應資源，對于數據能夠主動提出想法和需求的管理者僅占一成。缺乏相應的負責人。6 成企業未有相關的負責人統籌數據、系統、流程等關系，數據治理總體較為隨意。許多 1.0 階段的

36、企業對于數據處于“走一步看一步”的局面，缺乏整體的規劃與布局，也缺乏專業的負責人能夠統籌數據的治理，因此，這個階段企業的數據治理較為零散，若要保證數據質量的提升，從宏觀層面上，企業首先要做好前期的思考布局，同時，也需要配置專業的負責人統籌整個數據治理及其與系統、流程等方面的關系。那么，企業當前在數據質量提升上遇到的具體挑戰是什么？除了缺乏“做好前期思考：數據與信息化、數字化之間的關系“管理層要重視，需要有專業的負責人”等較為“宏觀”的角度入手進行規劃，在具體治理上還存在哪些待解決的挑戰？我們將梳理關鍵挑戰，并提煉出挑戰背后的原因要素，針對各個要素梳理挑戰的解決方法。收集的數據存在數據信息或字段

37、信息缺失，完整性存在問題缺乏系統流程驅動，數據錄入和檢查效率低數據標準和字段等規則設定不規范或無法滿足需求一線人員對數據標準理解不同或操作存在問題，導致收集的數據有誤數據難以得到及時有效更新,數據準確性不夠用數據的人對數據重視度較低 其他，請指明48.54%47.57%45.63%44.66%34.95%23.30%0.97%挑戰：數據質量不佳，缺乏體系化治理The Operation and Management of People Data15數據治理本身所存在的挑戰并非有一一對應的解決方案，各個挑戰之間及相應的解決方法之間都有著一定的關聯，因此企業在考慮數據治理時，從流程設計、系統準備、

38、標準制定、規范錄入、數據校驗等多個維度入手，才能對各個挑戰進行有效解決。下文中，我們將結合宏觀現狀與微觀挑戰中所存在的問題，從具體的專家洞察與企業實踐中，梳理挑戰解決方案，給予讀者一二參考。流程設計：梳理數據應用場景，保證業務活動能夠被數字化翻譯系統準備統一標準：明確數據字段存儲規范做好前期思考：數據與信息化、數字化之間的關系管理層要重視，需要有專業的負責人規范錄入：設置系統規則，把控增量數據數據校驗：存量數據治理，保證數據質量挑戰解決方案要點挑戰背后的原因要素分析 流程設計：業務活動無法通過數字化方式進行記錄和翻譯，無法完整收集到所需數據。系統準備：未有相應的系統承載和記錄所需的數據。錄入及

39、時：數據不能隨著業務的發生及時進入系統，會存在缺失。流程設計：相應的流程梳理不夠清楚，缺乏體系化流程。系統準備：相應的系統和平臺工具不足，無法以數字化手段代替人工。數據校驗：缺乏體系化手段校驗數據。統一標準：未統一和規范字段標準。統一標準：數據收集過程可能因對標準理解不一而導致收集錯誤。錄入規則管控：數據錄入過程中存在偏差。數據信息和字段信息缺失，完整性存在問題缺乏系統流程驅動，數據錄入和檢查效率低數據標準和字段設置不規范數據收集有誤 流程設計 系統準備 統一標準 規范錄入 數據校驗微觀挑戰解決宏觀現狀思考人力資源數據運營與管理16挑戰解決宏觀現狀思考做好前期思考：數據與信息化、數字化之間的關

40、系管理層要重視，需要有專業的負責人宏觀現狀思考做好前期思考：數據與信息化、數字化之間的關系如上文所談，企業在開始做人力資源數據運營時，需要跳出“就數據談數據”的思維中，從企業信息化和數字化的宏觀角度思考，厘清企業當前上線系統、數據治理等一系列工作最終的目標，是僅實現 E-HR 的價值，還是期待實現數字化轉型的目的。專家洞見FESCO專家洞見虎彩印藝股份有限公司績效薪酬部總監 王斌 認清數據運營與企業信息化、數字化之間的關系在談人力資源數據運營之前，我們得了解企業信息化和數字化概念上的區別，厘清其中的關系后再去談數據運營。信息化是對于數據的存儲記錄，而且是基于一個單體的業務領域，它假定企業整個業

41、務形態是單一的，且在一段很長的周期之內相對穩定，在這樣的場景之下做的 IT 建設，保證流程驅動、數據的完整性、一致性等。數字化轉型是更廣域范圍內的業務整體數據的拉通，通過數據驅動數字化運營過程。整個數據運營實際上是承上啟下的關系，對企業信息化留存下來的數據進行治理，包括數據的拉通及數據的挖掘等，實際上來說企業信息化之上通過數據運營逐步完成數字化轉型。準確來說，信息化和數字化之間的轉型過程，很大一部分工作量就是在做數據的治理和拉通，這個我們稱之為數據運營。撥亂反正：數字化轉型是什么？在談數據運營與管理的階段之前，首先要先對數字化轉型的概念進行“撥亂反正”。若談的是當前線下的內容需要系統和端到端的

42、流程串聯起來后線上化，進行整體效率的提升，這不是數字化轉型，而是 E-HR 也就是線上電子化階段。E-HR 的目的是在于當企業已有既定的事務型的業務流程和工作，且效率相對低下的情況下，能夠借助一些 IT 和互聯網的工具提升單個處理時效。而人力資源的數字化轉型指的是將人力資源的管理活動，它的價值分配、價值創造、價格評估等這些內容，用數字化的方式、結構和邏輯進行重新定義后的呈現，并且找到每一個活動對于整體如價值和運營程度的關系，結合具體的應用場景做輸出，而不是基于業務活動本身。E-HR 是基于效率的評估，而數字化轉型是從價值的角度評估，這是二者的本質區別。計劃實現數字化轉型的企業，數據運營如何布局

43、？當前絕大部分人力資源數字化轉型的企業，只能實現 E-HR 效率提升階段。企業往往在前期投入許多的The Operation and Management of People Data17管理層要重視，需要有專業負責人談及數據布局前期思考，我們可以發現在數據收集、治理和運用等過程中，涉及各個部門、系統、業務流程等，因此有能夠進行統籌規劃的負責人至關重要，才能從組織層面上把控需要數據做什么、數據怎么來、需要哪些數據等一系列規劃，當然這其中，管理層重視數據甚至對數據運用主動提出需求也非常關鍵，才能幫助相關負責人“以終為始”，通過整個數據體系的建設實現最終數據運用。專家洞見寶龍地產 系統及數據管理高

44、級專業經理 許靈 數據實現深度分析前的“準備”盡管企業人力資源數據的運用與分析有不同的成熟度與階段，但大部分企業最終的目的都希望能夠挖掘數據價值，與業務需求匹配，實現數據的深度運用與預測。企業往往基于這一目標，一步步實現數據線上化階段、標準化的數據整合階段，為后續的價值運用做準備。在實現數據的運用之前，企業需要關注：人力資源條線的重要管理者及末端用數據的人，需要在前期就具有使用數據的意識，重視數據的價值。若數據使用方本身不具備使用數據的意識與想法，企業數據分析只能借鑒市場上的通用指標與常用做法，當未得到較好的反饋時，則可能會失去對數據運用的信心，很難實現進一步的高階運用。若數據使用方對于數據的

45、運用有需求且有想法，則能夠主動提出讓人力資源開發數據分析產品，人力資源更可能實現與業務共創，挖掘到能夠解決業務痛點的數據，支撐業務的發展。此外，若數據使用方“先天”并未有很好的數據意識，HR 也可以主動挖掘領導層未發現的組織問題，通過數據報告讓領導層意識到數據能夠發現問題及提出解決方案，從而讓領導層認可數據價值并利用數據做決策。人力物力，當系統建設得相對完備后卻不知如何運用。這是由于許多企業忽略了數據運營中關鍵的第一階段，即做適配業務商業模式的人力資源業務流程設計的管理工程階段。而直接從第二階段開始建設，進入系統搭建、數據收集等數字化建設的軟硬件工程階段。而人力資源工作真正有價值的核心在于通過

46、第一階段的管理工程治理，從而輸出基于層級化的業務流程和業務標準。因為數字化的前提是標準化，前端若沒有實現標準化直接進行數字化，就會出現根基不牢，后專家洞見虎彩印藝股份有限公司績效薪酬部總監 王斌要實現第一階段的管理工程建設，需要有專門進行數據管道統籌建設的負責人，在該階段考慮好：企業需要什么樣的數據？如何界定業務間的數據的顆粒度，數據使用頻次如何？數據從哪里來，如何規劃數據的生成軌跡？數據顆粒度的大小決定數據管道的要求和系統數據采集的方式等，因此負責人需要在這個階段基于應用場景做好規劃。端進行數據智能化應用和智能化改造時會缺乏穩固。從數據運營角度來講，數據基礎決定數據質量，數據質量決定數據價值

47、，數據基礎是第一階段進行管理工程治理后輸出的數字產物，決定了企業在第二階段工程建設時能夠清楚：企業需要怎么樣的數據？數字化系統如何搭建？未來的應用場景在哪里？企業只有在完成前兩個階段的基礎上，才能最終實現數據價值運用。人力資源數據運營與管理18微觀挑戰解決流程設計：梳理數據應用場景，保證業務活動能夠被數字化翻譯系統準備統一標準：明確數據字段存儲規范規范錄入：設置系統規則，把控增量數據數據校驗：存量數據治理，保證數據質量微觀挑戰解決流程設計：梳理數據應用場景，保證業務活動能夠被數字化翻譯虎彩印藝 思考數據能夠幫助業務解決什么問題，并具象化輸出應用場景 基于運用場景將所需的流程節點及業務活動通過數

48、字化的方式記錄和翻譯，避免后期運用時缺乏相應數據或不知數據如何使用歐普照明 保證組織自身業務具有延續性，確保流程得以記錄，從系統和數據流上做好規劃和鋪墊專家洞見虎彩印藝股份有限公司績效薪酬部總監 王斌那么如何進行第一階段的管理工程治理？可以被概括為具象化地輸出應用場景，例如，數字化轉型完成之后，要幫助企業解決什么問題？舉例來說，對于虎彩而言，場景化的應用之一在于解決核心人才保留問題。企業通過數字化的方式解決這一場景，首先需要梳理哪些人是企業的核心人才？這其中會通過數字化評估模型界定核心人才。其次，界定出核心人才后要進行進一步保留。因此需要針對這部分人才的發展、薪酬競爭力等維度做動態盤點，進行離

49、職風險預測，以便提前干預保留等?？傊?，需要確保人力資源主流程的相關業務活動能夠進行數字化翻譯。例如，要評估 HR 的招聘質量，需要看當前組織流程中所生成的數據流是否能夠支撐該項評估，如是否具備數據查看 HR 總招聘任務、每日招聘工作完成情況、招聘任務完成的質量區分等。企業在這個階段不能只關注主動脈業務活動端到端的完結，需要確保其中的節點和內容能夠被數字化翻譯，只有提前考慮這方面的需求及相關維度，做好流程數據的設計，才能確保系統建設具備相應的功能以及相關維度的數據能夠被記錄。只有前期有了相對清晰化和固定化的運用場景梳理，后期才能將運用場景所需的業務活動通過數字化方式進行記錄和翻譯，避免后期需要運

50、用時缺乏相應的數據或者具備數據卻不清楚如何運用。The Operation and Management of People Data19專家洞見歐普照明 潘一鳴 企業在實現數據運用與分析前的準備企業要進行數據運用與分析，一定要注意的是組織調整自身需伴隨業務要求具有一定的延續性。若組織一直在發生變化，且變化后組織與新組織之間又毫無財務、人事等的對應可還原的聯系，那在數據還原階段就會面臨一系列的問題。這樣的分析只能基于當時、當點進行，而無法進行延續性、趨勢性分析，此情景下的同比、環比等數據也因此不具有參考性。因此，對企業來說需要首先注意自身管理成熟度的提升，其次要做到配合業務的各類支持性部門數據

51、及口徑的及時打通，這些在數據分析層面就是地基。在數據運營管理的第一階段也就是準備階段，企業需要從系統和數據流的打通上做好規劃和鋪墊。如果前期規劃得好，留下一定可以供后續數據需求用的“埋點”，就能為將來分析階段提供更多的可能性。當然因為業務發展的不確定性，單純從“預知”的角度來說很難做到面面俱到、考慮周全。所以往往后期需要數據分析時，更多情況下仍需費時費力重新進行數據清理、再加工等工作。系統準備我們知道不同企業對系統的選擇多是基于當前階段的需求，但若企業人力資源數據運營的最終目的是實現 2.0 以上階段，確保關鍵數據具備相應的系統記錄和留存，以及后續有數據處理需求時系統具備相應的“兼容度”，在

52、1.0階段時系統的考慮上需要更近一步。圖表 5：您公司 HR 信息系統功能目前已基本實現的有：基礎模塊(指基本人事數據管理及薪資計算和發放等)功能模塊(指實現人力資源招聘、培訓、績效等職能)與其他系統集成(e.g.ERP 系統、財務系統、OA 系統)與其他人力資源職能系統集成(與子系統對接)員工自助平臺(包括員工門戶網站等)移動終端應用數據統計分析(包括報表繪制等)1.0 階段 N=1022.0 階段 N=3487.25%88.24%53.92%79.41%42.16%64.71%18.63%38.24%26.47%61.76%19.61%50.00%14.71%44.12%上線系統建議人力資

53、源數據運營與管理20綜上：1.0 階段的企業中，絕大部分都上線了基礎模塊的系統，而僅有 5 成的企業上線了功能模塊，在上線的功能模塊中，分別為薪酬模塊、招聘模塊、績效模塊占比最多。參考 2.0 階段企業，1.0 階段企業在系統上線時也可以考慮與其他系統的集成問題以及搭建員工自助平臺。在具體功能模塊的考慮上，培訓學習管理也較為關鍵。我們發現，2.0 階段的企業近 7 成都會在系統上線時早做準備，為數據的整合預留接口，這能夠方便企業后續進行數據的提取和打通。因此，1.0 階段企業在早期系統上線時，盡管無法知曉后續系統數據的具體運用，也要先有一定的流程考核系統本身是否具備數據提取和打通的功能。是圖表

54、 7：貴公司在系統上線過程中，是否會為后續的打通整合預留接口？N=3467.65%23.53%8.82%預留系統接口，保證系統本身具有拓展性否其他圖表 6：您企業 HR 信息化管理主要在以下哪些功能模塊搭建系統？招聘管理薪酬管理績效管理勞動力規劃培訓學習管理人才發展管理1.0 階段 N=562.0 階段 N=2873.21%85.71%82.14%89.29%67.86%89.29%8.93%21.43%51.79%67.86%33.93%46.43%The Operation and Management of People Data21專家洞見虎彩印藝股份有限公司績效薪酬部總監 王斌企業實

55、踐：羅氏（中國）Roche(Group)企業實踐：科大訊飛需要在系統上線時預留未來人力資源數字化轉型的接口。未來企業在做人力資源數字化轉型中，需要打通運營、生產、財務等數據進行多維數據交叉分析，雖然無法提前規劃后期需要打通的具體數據，但從系統建設本身的功能需求來看，企業需要在系統上線時預留接口。接口預留并非物理意義上技術打通，而是要保證系統本身具有拓展性，即數據能夠流入和流出、能夠做多元化的轉化、其他系統數據能夠流入并存儲等。而數據打通本身的難點其實在于企業所選擇的管理系統適不適合數據打通。早期企業在上線 HR 系統時，往往只考慮系統的易用性或者用戶友好角度，在 PA 團隊建立之前，企業不會考

56、慮數據是否能夠從系統中提取出來，這就造成了當 PA 團隊在打通系統時，發現許多 HR 系統不具備數據提取功能，從而造成打通的困難。當前企業在上線新系統時，都需要有一定的流程去衡量和考核系統是否具備方便提取數據的功能，方便后續的數據集成。第一步，企業對現狀進行整體盤點：梳理當前有多少系統？是否具備應有的人力資源模塊？各個系統模塊有多少數據字段以及字段的有效性如何？基于盤點情況，確定了數據治理的范圍及所要達成的目標。第二步，聚焦核心字段，重新梳理標準。各個系統中可能有幾百個字段，在前期治理中企業未必有精力全面顧及，且許多字段對于運用層面來說也并非必要。因此，科大訊飛聚焦核心字段進行重新梳理。統一標

57、準：明確數據字段存儲規范科大訊飛 盤點現狀，確認數據治理的范圍 基于應用場景并對標外部，圈定核心字段 從字段定義、字段間的關聯、字段所屬部門、維護標準、應用場景多個維度對字段進行梳理博世 成立項目組，對已有字段進行統一和修正 不盲目新增字段，新增字段時綜合使用頻率、使用場景、受眾范圍、數據增量多維度考慮綠城 建立數據字典，并在發出報告中注明標準，強化運用 首先，企業通過判斷每個字段未來的應用場景來評估其重要程度，基于分析需求圈定需要梳理的核心字段；同時，企業也對標外部，參考外部企業在當前階段數據分析所需的主要字段及數據，基于已被實踐的“前人經驗”，對當前已圈定字段進行查缺補漏。確認關鍵字段后，

58、項目組對每一個字段從定義、與其他字段的關聯與關系、字段所屬責任部門、維護標準、應用場景等多個維度進行重新梳理，并依此制定了人力資源數據管理規范將其標準化，且面向全體 HR 宣傳。人力資源數據運營與管理22企業實踐：綠城服務企業實踐：博世（中國）建立數據字典在進行全面數據治理之前，企業前期花了很大的精力在數據字典的搭建上，將其作為“綱領性”的指導手冊，基于字典來解釋人力資源數據的相關標準和口徑問題。同時，人力資源部門在內部強制規定，部門發出的所有報告，只要涉及到數據，必須在文本下方注明口徑、公式，不斷強調數據標準的運用。數據模塊定義標準化當前博世 HRSSC 的服務對象涵蓋多個不同的分子公司，這

59、些不同的分子公司有時會出現對同一個字段有不同定義的情況，給后續數據維護工作造成了許多不必要的麻煩，甚至會出現需要維護 A 字段卻維護了 B 字段的錯誤現象。有鑒于此，博世 HRSSC 當下十分注重維護各個數據字段含義與標準的一致性。已有字段統一標準。博世 HRSSC 內部專門成立了數據標準化的項目組，重點訪談和研究用戶的使用習慣。對于已有字段的理解應用有初步結論后，再隨機尋找一些經常會用到對應數據的用戶做用戶測試，進一步修正字段定義。不盲目新增字段。新增字段意味著數據邏輯的擴充，背后關聯數據錄入、檢查、存儲等一系列操作，不得不慎重。博世在準備新增某個字段前，會事先調研了解該字段使用頻率、使用場

60、景、受眾范圍、每月可能的數據增量等，綜合多個維度的應用情況后，才會最終決定是否增加新的字段。注：以上案例來源于智享會第五屆中國人力資源共享服務中心調研報告規范錄入：設置系統規則，把控增量數據虎彩 基于數量、顆粒度、時效三個維度，決定數據的采集方式（自動、半自動、手工）及相應的流程配套綠城 設置系統數據入口“柵欄”，把控增量數據準確東風 把握數據入口，在系統實施階段就做好數據進入的系統邏輯校驗規范優化新單位上線數據初始化檢查關注線上線下業務開展的一致性專家洞見虎彩印藝股份有限公司績效薪酬部總監 王斌 搭建數據通道，把控數據質量數據質量不高是一個“偽命題”，企業之所以存在數據不準的情況，核心原因在

61、于前端工程治理中沒有搭建好數據管道。數據通道的搭建需要基于第一階段管理工程梳理后得出的數據清單，通過數量、顆粒度、時效三個維度，決定數據的采集方式（自動、半自動、手工）及相應的流程配套。例如，顆粒度較細的數據往往需要大量人工輔助，這過程中會存在人工處理帶來的偏差。對于這部分數據，若數據不重要，則舍棄這部分數據的收集；若數據使用高頻且與日常關聯較大，可以借助自動化的形式收集和處理，因此，在數據管道建設的時候，要考慮優先滿足這一功能的系統。此外，企業在采用自動化采集的方式的同時，也需要匹配相應的業務流程支持。對于重要但使用并不高頻的數據，可以通過線下手工的方式收集，例如銷售數據對于人力資源來說需求

62、并不高頻，因此 HR 只需讓業務以月為單位提供報表，并預留接口后期有需要時進行數據導入即可。而半自動采集方式通常用于企業在有具體運用需求時對基礎數據的再加工。企業需要結合好數據采集方式及配套的流程設計，從源頭控制好數據質量。The Operation and Management of People Data23企業案例：東風汽車集團企業案例：綠城服務企業實踐：科大訊飛增量數據：把住數據入口，在系統實施階段就做好數據進入的系統邏輯校驗規范。一是優化新單位上線數據初始化檢查。對于企業掌握的組織、崗位、人員基本信息、合同信息、人崗匹配信息等數據，通過批量導入系統，經過簡化的業務流程校驗通過后生效；

63、對于其他個人信息，通過員工自助維護、系統功能校驗及單位審核通過后生效。降低了單位數據采集難度、縮短了數據采集周期、提高了數據采集質量。二是關注線上線下業務開展的一致性。通過取消線下審批、線上提供業務辦理所需數據與材料、打通人事與財務個人工資支付全流程線上進行等措施，確保相關數據全程在線上運轉，并提升了數據的自動化率。依靠系統管控增量數據，保持新增數據準確性。在企業階段性的數據治理中，存量數據往往依靠人為處理，在增量數據不產生大量垃圾的前提下，靜態存量數據的錯誤能夠被較快消除，而同步有增量數據產生時，數據治理的復雜性就會變高。因此，綠城表示，依靠系統管控新增數據是保證數據質量的關鍵一步，在系統中

64、為新增數據設置入口“柵欄”，進行數據的自動化關聯等，能保證進入系統的新增數據是準確的。例如，數據的來源更多由入職端開始，原先系統數據經歷線下填寫、人工錄入等流程，會導致大量的數據損耗。當前，企業完善了預入職功能，對于原先需要手工錄入的信息都借助OCR 識別、系統提供選項選擇等方式，減少新增數據的損耗及避免人工填寫的錯誤。同時，為了減少多余數據對員工的負擔，對于不同崗位的不同人群，企業會差異化的地設置必填字段：例如，禮賓人員的身高體重是必填字段，而對于保潔人員只需設年齡為必填字段。既減少基層人員的填寫壓力，也使企業能夠獲取到最需要的數據。設置系統規則，把控數據入口為了避免數據在采集過程中出現錯誤

65、并減少人為審核的繁瑣，科大訊飛在前端依據梳理好的數據標準設置系統規則，把控線上數據入口。例如，從入職端開始，規范填寫選項，避免員工自定義填寫造成的錯誤和不統一。同時，企業原先需要人工審核員工所填寫信息與實物證明資料間的匹配，當前更多使用用電子材料及 OCR 識別校驗，提高了數據管理的效率。人力資源數據運營與管理24數據校驗：存量數據治理，保證數據質量科大訊飛 上線數據治理平臺，自動校驗數據同程 上線數據治理平臺，系統機制上進行邏輯校驗 定期進行人工檢查綠城 分析人事數據質量，開展數據專項治理項目 數據的運用與分析以系統數據為主，從制度上“倒逼”業務完善系統數據東風 通過數據專項治理提升數據質量

66、，通過數據運用激活數據并保持數據鮮活度企業實踐：科大訊飛企業實踐：東風汽車集團當標準制定清晰，企業上線了數據治理平臺自動校驗數據。平臺能夠基于設置好的標準，自動校驗出存在錯誤的數據，人力資源部門會將錯誤數據推送給相應的個人或組織內部進行核實、補充或修改，在此之后，系統會再進行二輪的核查，確定數據完整性和準確性是否達到預設的目標，以此不斷校驗和完善。存量數據：主要通過數據專項治理來提升數據質量，通過數據應用來激活數據并保持數據鮮活度。在開展數據專項治理方面，每年根據當年的數據質量現狀，結合“五率”提升目標與數據應用所需制定當年的數據治理活動計劃，每項活動的開展都遵循PDCA 循環，確保工作有效果

67、。在數據應用方案，主要是打通數據在不同系統間的關聯應用，比如職稱評審中個人信息直接使用人員主數據系統中的數據，出現信息錯誤必須從源頭系統上解決；將業務系統生成的月報數據用于運營分析平臺、年度預算的預實分析等業務，通過數據橫向縱向拉通，提升數據產生者對數據質量的重視。The Operation and Management of People Data25企業實踐：同程藝龍企業實踐：綠城 數據邏輯篩查提升質量當規范數據輸入與存儲的工作完成后，還尚不能一勞永逸的解決數據輸入中的錯漏問題。在實際工作中，靈活多變是常態，對應的數據質量管理工作也要多管齊下。常規的，同程藝龍會率先在數據輸入端盡可能減少開

68、放性數據的輸入，但是這樣的規范背后靈活性不足，特別是當工作流程變化、HRBP 工作變化等不確定性事件出現后，此前尚且規范的數據很可能當下就不符合要求了，這就要求在流程的迭代與優化中不斷調整數據規范性，通過業務邏輯的不斷補充和調整，保證數據被使用時具備規范性，例如根據業務發展需要 HR 政策調整之需要，迭代數據字典及相應管理規范。做好輸入端的數據規范與流程運轉中的靈活應對之后，仍然需要在數據歸入庫中后做數據的邏輯檢查。為此，同程專門設計并上線了數據治理的平臺，平臺自帶邏輯庫（可不斷補充和修繕），憑此開展數據治理工作：一方面，是從系統機制上做檢查，探尋可能存在的邏輯漏洞與 Bug；另一方面，定期（

69、根據數據字段準確性要求設置不同的檢查周期）對數據庫中錄入的數據進行檢查，探尋其中可能存在的異常（例如某員工的社會工齡小于司齡）；在數據治理的第一階段，數據治理平臺依據邏輯庫中的邏輯每天自動運行數據治理的工作，一旦發現輸入端，或者 數據流程中產生了數據異常值便會將其標出，整理后呈現在負責流程與數據治理的同事的工作臺上，由其對異常值做跟蹤處理（修改、替換、確認特殊情況等）。在數據治理的第二階段，多類數據匯總至數據倉庫后，再經數據治理平臺進行邏輯篩查，確保沒有遺漏的異常值存在。注：以上案例來源于智享會第五屆中國人力資源共享服務中心調研報告分析人事數據質量，開展存量數據專項治理項目。增量數據依靠系統管

70、控，而對于存量數據，綠城每月都會進行數據質量的分析：包括現階段數據出現哪些問題？出現該問題的原因是什么？針對此問題需要進行管理干預、系統補漏還是數據治理工作處理？分析后企業會將其中最核心的 2-3 個數據問題找出，并開展針對這些問題的數據專項治理工作。數據的運用與分析以系統數據為主，從制度上“倒逼”業務完善系統數據。綠城數據質量提升最重要的助力點在于，企業從制度上明確了所有人力資源數據的運用與分析都以系統呈現的數據為準。例如，人力資源基于各系統中的數據進行績效考核分析，若業務對于考核結果有疑義（非算力問題），無法對報告結果進行修改，但能夠通過完善系統數據中的遺漏和錯誤，提供人力資源新的數據以獲

71、得新的分析結果，以此“倒逼”各業務部門維護和管理系統數據。這得益于 HR 獲得管理層的支持，即各業務負責人在簽署總經理經營目標責任書明確各個條線的績效考核指標時統一了要求。同時，HR 部門每個月會出人事數據報告，加強人事數據在管理者面前的曝光度，讓業務與管理層了解可用數據及能夠提出新的分析訴求，讓數據“越用越準”。人力資源數據運營與管理261.0 階段 經驗萃取匯總要點精萃宏觀現狀思考微觀挑戰解決 從頂層設計的角度思考，企業是否需要進行數字化轉型，還是僅需要實現信息化階段。若需要利用數據進行數字化轉型，要先做好適配業務商業模式的人力資源業務流程的設計。管理層要能夠重視數據，投入資源并主動提出數

72、據運用的想法。要有能夠統籌數據、系統、流程布局的負責人等。保證組織自身業務具有延續性，確保流程得以記錄。思考數據要幫企業解決什么問題，并具象化輸出應用場景?；谶\用場景將所需的流程節點和業務活動通過數字化的方式記錄和翻譯，避免后期運用時缺乏相應數據或不知數據如何使用。未搭建系統的企業，可以先從基礎模塊，以及薪酬、招聘、績效等功能模塊上線。員工自主平臺和培訓學習管理也較為關鍵。上線系統時，要保證系統具備數據提取功能，保證系統本身具有拓展性，即數據能夠流入和流出、能夠做多元化的轉化、其他系統數據能夠流入并存儲等。針對有邏輯數據：上線數據治理平臺，基于平臺設置的標準自動檢驗數據，并將錯誤數據推送給相

73、應負責人完善。針對無邏輯數據：定期派專人對數據進行抽查。開展專項治理項目：進行數據質量分析，探究數據當前階段存在的核心問題并進行治理。運用分析以系統呈現的數據為準，讓各系統數據負責人為數據負責，完善質量。盤點現狀：梳理組織當前的人力資源系統和模塊及各系統模塊中的數據字段及字段有效性，確認數據治理范圍。聚焦核心字段重新梳理標準：基于應用場景并對標外部，圈定核心字段；從字段定義、字段間的關聯、字段所屬部門、維護標準、應用場景多個維度對字段進行梳理。并可以訪談和研究用戶使用習慣，做用戶測試，修正字段。建立數據字典：基于字典解釋人力資源數據的相關標準和口徑，并在發出的報告中注明標準，強化運用。不盲目新

74、增字段：在新增字段前，調研字段使用頻率、使用場景、受眾范圍、每月可能的數據增量等。確定數據采集方式及配套流程：基于數量、顆粒度、時效三個維度，決定數據的采集方式（自動、半自動、手工）及相應的流程配套。把住數據入口，在系統實施階段就做好數據進入的系統邏輯校驗規范。優化新單位上線數據初始化檢查：對于企業掌握的數據，可通過批量導入系統，經過簡化的業務流程校驗通過后生效；對于其他個人信息，可通過員工自助維護、系統功能校驗及單位審核通過后生效。關注線上線下業務開展的一致性：可以取消線下審批、線上提供業務辦理所需數據與材料、打通人事與財務個人工資支付全流程線上進行等措施，確保相關數據全程在線上運轉，并提升

75、了數據的自動化率。設置系統邏輯規則：將數據的定義和標準做成標準值固化在系統上，通過選項避免輸入隨意性；校驗數據間的邏輯關系。做好前期思考：數據與信息化、數字化之間的關系管理層要重視，需要有專業負責人流程設計系統準備統一標準：明確數據字段存儲規范規范錄入：設置系統規則，把控增量數據數據校驗：存量數據治理，保證數據質量The Operation and Management of People Data27HR 數據運營 2.0 階段：關注數據運用現狀與挑戰現狀挑戰解決挑戰數據口徑統一，進行數據整合了解業務需求，確認數據分析維度承接需求，輔助決策診斷管理者需求，提升數據報告價值數據治理已較為完備，

76、該階段更關注數據運用數據口徑不統一無法診斷管理者需求，數據報告價值不突出現狀：數據治理已較為完備，該階段企業更關注數據運用是，已經建立且較為成熟完備是，初步建立且剛投入運營正在建立、籌備、調試階段，但尚未運營尚未建立有明確的負責人，對于系統各個模塊的打通，流程設計和數據治理及后續運用有整體認識沒有相關負責人，企業更多考慮信息化過程，對于數據后續的治理與運用沒有過多布局其他，請指明圖表 8：貴公司當前是否搭建人力資源共享服務中心？N=34圖表 9：貴公司在 HR 系統建設和數據治理運用過程中，如何進行整體布局？N=3441.18%61.76%17.65%32.35%20.59%20.59%5.8

77、8%人力資源數據運營與管理28未意識到人力資源數據的重要性意識到人力資源數據的重要性，但僅從態度表示支持，持觀望態度意識到人力資源數據的重要性，并能夠投入資金和專人等維護數據質量意識到人力資源數據的重要性，并能夠投入資金和專人等維護數據質量；同時，對于數據的運用也會主動提出需求與想法圖表 10：以下哪一描述更符合管理層對人力資源數據運營管理的態度與意識？N=345.88%17.65%47.06%29.41%綜合以上圖表，我們發現：多數 2.0 階段企業的共享服務中心處于較為成熟完備的階段，在數據的治理和基礎的數據響應上完善程度高。多數企業在系統建設和數據治理過程中有明確的負責人，且近 8 成的

78、企業管理層能夠投入資源維護數據質量，其中 3 成的企業已經開始能夠對數據的運用提出需求與想法。這說明 2.0 階段的企業對數據的重視度和需求都較高。企業在進行體系化的數據治理，提升數據質量和實現基礎的數據響應后，有了良好數據基礎的前提下，在 2.0 階段，更關注的是數據的運用以及數據分析如何輔助決策。因此，下文我們將對數據運用過程中存在的挑戰進行進一步探究。數據運用挑戰：數據口徑不統一；無法診斷管理者需求，數據報告價值不突出“當共享服務中心成立之后，大量的人力資源數據匯集在這里，形成一定的規模，內部的數據架構和基礎的數據清理整頓工作實現得差不多后，數據價值的挖掘是我們現在比較大的挑戰，不管是以

79、業務為導向的支撐，或服務于業務的數據與模型的建設，然后通過大數據分析，找到有價值的數據反饋反哺給業務前端的管理者，是我們當前比較大的困惑?！薄皵祿卫淼貌畈欢嗪?，我們當前最大的問題是人力資源從業者如何從數據里找到業務的真實問題。從高層來說，并不是為了看到這些數據，而是希望通過人力資源能夠找出數據出現問題的根因，把數據反映出來的業務問題給高層看。這里有一個思維跟不上的問題，人力資源站在人力資源角度去做數據顯示和模型，是不是高層所關注的想看到的，所反映的問題，需要 HR 從業者有一個比較高的思維，能夠洞悉經營者真實所需的維度，再通過數據分析來顯現?！盩he Operation and Manage

80、ment of People Data29基于以上圖表，我們發現當前 2.0 階段企業的數據運用存在 2 個主要挑戰：挑戰1：無法診斷管理者需求，數據報告價值不突出。對于2.0階段的企業來說，“數據分析報告的價值不突出，無法通過數據發現管理中的核心問題”是數據運用中的最大挑戰。而這一問題形成的較大原因在于人力資源由于自身的專業性，常常從人力資源角度出發作數據分析和展示，“數據分析的指標和維度并非管理層或業務所關注的”。同時，我們發現，多數企業在了解業務需求時僅通過較為碎片化的非正式方式，這樣的溝通可能使得 HR 無法深入和業務及管理者進行深度的探討與共創，從而導致分析的維度與管理者/業務期待看

81、到的存在差距。挑戰 2：數據口徑不統一?！案鳂I務部門對數據指標的理解和分析邏輯不一致”也是當前企業數據運用的一大挑戰，其主要的原因在于數據口徑不統一，各業務部門都以自己的理解進行分析。而管理者站在集團層面，對于數據分析結果的訴求往往是基于同一層面的多維度、有對比性的分析，才能從組織層面上看到不同部門的問題，這就需要企業統一各數據的口徑，實現一致性分析。因此，下文我們將從挑戰解決的思路，以“數據口徑統一，進行數據整合”部分呈現在口徑統一的解決方案；以“了解業務需求，確認數據分析維度”和“承接需求，輔助決策”兩個方面入手解決無法診斷管理者需求和數據報告價值不突出的問題，希望給予讀者借鑒。圖表 11

82、：貴公司當前數據應用存在的主要挑戰是？N=34數據分析報告的價值不突出，無法通過數據發現管理中的核心問題無法診斷到位對管理層/決策有意義的數據分析指標各業務部門對數據指標的理解和分析不一致缺乏數據分析的專業工具缺乏反饋機制，HR 無法發現數據結果存在偏差的問題業務不理解 HR 所提供的數據和數據分析其他89.66%79.31%75.86%37.93%34.48%31.03%0.00%否，僅由 HR 部門/數據分析團隊確認相應的分析維度與指標是，會與業務溝通，但僅通過非正式的、碎片化交流進行了解是，會與業務溝通確認，且有體系化的需求診斷流程與方法圖表 12：貴公司人力資源部門在進行數據分析前，是

83、否會與業務溝通所要分析的指標和維度？N=2910.34%75.86%13.79%人力資源數據運營與管理30挑戰解決數據口徑統一，進行數據整合了解業務需求，確認數據分析維度承接需求，輔助決策數據口徑統一，進行數據整合診斷管理者需求，提升數據報告價值基于上文中發現的兩個挑戰，我們將從以下幾個方面展開討論：專家洞見虎彩印藝股份有限公司績效薪酬部總監 王斌專家洞見前百度/滴滴 DHR 總監王崇良 數據打通和口徑統一關于數據打通，企業可以通過虛擬的數據中臺，將各個系統數據統一抽取到數據中臺中（簡稱數據倉庫），再進行 BI 分析和輸出。在數據拉通的過程中，最大的挑戰在于部門墻，而對于部門墻的解決一靠價值觀

84、，二靠行政命令，人力資源需要向管理層證明數據應用的價值，從而獲得管理層的支持。另外就是數據口徑的統一和規范，口徑的多與少以及是否要統一的決定因素是企業本身的管理需求，許多企業反映數據口徑不統一，不是口徑本身的問題，而是數據口徑多帶來的應用場景混亂的問題，即每個口徑應該應用在哪里？對于這個問題，企業能做的就是統一溝通語言，統一管理共識。如果數據規劃負責人前期進行數據規劃時能夠進行界定和規范，就能夠減少口徑多的溝通內耗。推動數據口徑統一數據湖和數據倉庫的搭建能夠幫助企業集中存儲各個業務的數據，這其中也涉及到各個業務存在口徑不一致的問題。數據湖相當于數據中臺的一部分，各個業務和集團層面會建立一套統一

85、的標準和規范，各個條線業務根據所指定的標準存入數據。一般情況下大數據平臺所有的數據都能存入，但各家業務有特殊的要求可以提出，例如，人力資源對薪酬和評價的信息較為敏感，可能要求建立一個私有域獨立存放等。在具體的口徑對齊上，需要從兩個層面考慮：第一個層面是業務之間的口徑統一問題，企業需要明確從決策層所需的數據分析來看，不同業務間的口徑需要對齊到什么程度。例如人力資源對組織部門的劃分和財務對成本綠城中心的劃分，絕大部分的企業對這兩者的口徑都無法完全統一。因此，人力資源部門與財務部門雙方需要溝通和確認如財務歸集和成本核算等維度的最小單位，確認數據口徑的最小顆粒度，從集團層面將財務和人力資源拉通到統一維

86、度，后續的數據計算如 HC 和財務成本的歸集等才能夠在同一層面上分析。第二個層面是通過管理者推動業務部門出數據標準和規則。人力資源在數據分析過程中，會面臨因數據口徑、維度未對齊而無法出具相應報告，人力資源通過向管理者反饋問題，獲得管理者“拍板”，推動業務部門重新出規則和標準，人力資源再將自身的口徑與標準與其對齊。The Operation and Management of People Data31診斷管理者需求，提升數據報告價值了解業務需求，確認數據分析維度 如何發現管理者對于數據分析維度的真正訴求，“想管理者或業務方所想”，最好的方法就是實現良性的溝通，與業務和管理者共創，基于 HR 前

87、期的了解和管理者實際的業務訴求，才能夠碰撞出火花。專家洞見虎彩印藝股份有限公司績效薪酬部總監 王斌 第三階段：產品化思維進行數據分析在數據真正實現價值運用階段，由于人力資源對業務的熟悉度有限，管理思維與業務間的管理思維可能存在較大差異，因此，在做數據分析和數字化建模中，對于場景化的定義和出具的建模方案會存在與業務適配性較低的情況。這是一個需要長期磨合和探索的過程，人力資源企業實踐：綠城服務 對標業務部門的口徑需求數據字典建立后，人力資源部門需要不斷與業務統一對數據標準和口徑的認知。例如，當業務部門需要人力資源提供數據時，由于不了解人力資源內部對口徑的定義，可能無法對接到同一批數據上。人力資源部

88、門會不斷與其溝通：業務的需求是什么？應用場景是什么？以此確認其所需的數據，并向業務部門解釋這部分數據對應的人力資源定義的口徑和標準是什么？同時，人力資源部門會對業務每一次的需求提出進行記錄，當有同樣的場景需求產生時，能夠將原有的記錄調出與業務部門再次校驗，在不斷地溝通中拉通雙方對于同一數據口徑的認知，減少溝通成本。要點精粹 明確數據口徑應用場景：數據規劃負責人在前期做數據規劃時要對數據口徑的應用場景進行界定，統一溝通語言和共識，避免因為數據口徑多帶來的應用場景混亂的問題。明確從決策層所需的數據分析來看，不同業務間的口徑需要對齊到什么程度：例如人力資源部門與財務部門雙方需要溝通和確認如財務歸集和

89、成本核算等維度的最小單位，確認數據口徑的最小顆粒度，從集團層面將財務和人力資源拉通到統一維度。推動業務部門出標準和規則：當出現人力資源與業務口徑無法對齊，借由管理者推動業務部門重新出規則和標準，人力資源再將自身的口徑與標準與其對齊。人力資源部門需要不斷與業務統一對數據標準和口徑的認知。一方面，在業務需求提出時反復與其確認，其需求是什么？應用場景是什么？以此確認業務所需的數據，并不斷與業務解釋該數據對應的口徑與標準。并記錄每一次的溝通，不斷強化對同一數據口徑的認識和共識。人力資源數據運營與管理32需要從思維與實踐兩個方面著手，找到真正能夠觸達業務部門關注點，且能夠影響其績效的人力資源相關活動，并

90、將其通過數字化的方式翻譯和衡量，并進一步反饋出人力資源所做的數據工作價值大小及對業務的幫助。思路拓寬如何為業務和管理層提供真正有價值的數據？人力資源不能“閉門造車”，應該通過與多方的溝通交流打開思路，再內化后形成有價值的方案。以下幾個方面的內外探索可以借鑒：尋求咨詢公司的幫助，可以尋找專業人士進行模型搭建、業務場景設計等，但這個方式并不首推，當 HR 對數據運用的認知還達不到相應的程度，只依靠外力的推動并不一定能夠達到良好效果。與提供系統服務的供應商交流。供應商能從系統如何開發、系統的功能和特點基于怎樣的背景和場景，具體如何設置與運用等方面分享，HR 可以從中獲得啟發和借鑒。與同行及標桿企業交

91、流。HR 可以與同行及標桿企業人才進行多種形式的交流和分享會，互通有無。*與企業內部橫向板塊的業務負責人交流共創。這是能夠為業務和管理層提供價值數據的最有效方式。通過與業務部門的交流，HR 能夠了解業務部門的痛點及期待 HR 扮演的角色，基于業務反饋提出解決方案，并吸取業務的意見，修改和共創最后可落地的方案。這一過程也是 HR 了解業務的管理訴求，將管理訴求落地為具體的業務活動，再用數字化的方式衡量和定義即數字化翻譯的階段。實踐迭代除了數據思維的拓寬，HR 部門同時也要通過產品迭代的方式盡可能保持業務的粘性。當人力資源開發出新的數據分析產品后，若業務部門對產品的反饋不佳，人力資源需要分析具體的

92、原因，根據不同的原因改善方案，進行迭代。同時，在數據分析產品開發中，要先打造明星爆款產品，“先做深再做寬”。企業若一次性解決所有業務功能的打造難度較大，人力資源應該先聚焦業務部門 1-2 個高頻且亟待解決的痛點，搭建分析模型，以此為抓手讓業務部門看到數據分析的價值與意義。當業務部門認可數據的價值，更容易與HR 敞開心扉探討業務痛點，尋求數據開發幫助。企業實踐：同程藝龍 如何實現與業務層面的溝通人力資源給到業務的分析數據，首先要確保是業務所需要的，而不是僅站在人力資源的理解層面去做分析。人力資源需要和業務進行深度溝通，了解他們期待看到哪些數據。因為不同業務部門所要達成的指標不同，他們對數據的關注

93、維度也不同。人力資源若不能針對性地提供數據，也應該從整體規劃上確保數據分析包含所有部門所需的指標，方便各部門“各取所需”。其次，人力資源對數據的分析和呈現，要確保業務部門能夠理解，可以分析指標背后的原因、關聯性等，給予業務一定的參考。助力業務決策 需求診斷 同程藝龍的場景需求主要來自于企業內真實的管理痛點，為了更好地了解這些需求，主要會有以下舉措:關鍵用戶調研，理解真實的管理痛點和需求。People Analytics 項目組通過在線問卷調研和當面用戶訪談的方式，深入了解用戶想要的是什么，希望通過數據實現什么樣的管理，用戶目前對數據平臺的反饋如何；將用戶痛點轉化為數據化解決方案。調研獲得的信息

94、經過團隊的二次整理、分析、轉化，提煉出關鍵問題點，形成初步產品方案；在初步方案形成后，同程藝龍會在 SSC 內專家洞見人力資源數字化經理 歐普照明 潘一鳴The Operation and Management of People Data33企業實踐：施耐德企業實踐：周大福 為業務賦能 業務需求收集 在收集業務需求方面，員工可以在自助服務平臺上提交需求，同時 Consultant 也會收集對口區域/業務的定制化需求。People Analytics 團隊會對這些需求進行初步的分類：若僅涉及初步的分析與報表，團隊會告知員工可以從何處以及如何獲得這些信息；若涉及更為復雜和智能化的支持，團隊內就會

95、對于需求進行更為深入的溝通，如這一需求需要怎樣的分析，涉及到哪些模塊，最終要達成的目的是什么，需要用到多少的人力，其中可能涉及到的技術工具是什么，這一需求的優先度如何等。數據結果傳達及落地 People Analytics 團 隊 中 有 一 重 要 職 能 為Consultant，每個業務區域或部門都會有對應的Consultant 負 責。Consultant 相 當 于 一 個“接口”的作用，從用戶提出數據分析的需求開始，Consultant 便會參與進來。當這些需求成為具體項目或建立了專門的溝通團隊后，Consultant 將負責協調后續所有的溝通、培訓、結果發布、改善措施落地、變革管理

96、等工作。注：以 上 案 例 來 自 智 享 會 第 二 屆 People Analytics 的發展與應用研究報告 業務需求確認與診斷 人力資源部門需要在業務中找到關鍵的問題，并且對于問題進行分析：哪些問題是持續發生的？哪些問題可以一次性解決？是否可以通過系統解決？以效能分析報告為例，人力資源部門的目的是希望前線的主管持續關注門店同事的人力投入、成本情況，從而識別最能創造價值的員工。接著，人力資源部門會邀約部分地區門店的員工開展工作坊進行訪談，了解：平時如何看待每個同事，如何看待每家門店在人員方面產生的效益。在討論過程中，人力資源部門會提供一套用于整理重點的邏輯框架，將業務部門的關注點加入進去

97、，最后達成共識，建立數據看板。以上便是需求確認與診斷的過程，在整個過程中，由于需求真實地來自于業務，業務部門對于數據會有較深的了解與認知，未來對于數據報告也會有較高的接受度。數據測算明確需求后，人力資源部門便會進行所有數據的測算，測算維度如下：接口是否準確 取數是否準確 調出的數據是否和其他系統平臺一致 內部宣導與習慣的培養 經過以上流程，人力資源部門便會制作、形成相應的功能說明書，并且會在企業內各個平臺上推送。另外，周大福也會在某些區域嘗試開展培訓，助力員工讀懂數據，了解不同指標背后的意義，各個指標的值到達什么程度需要有所警惕，對業務有什么幫助等。當員工尚未形成使用系統或應用數據的習慣時，人

98、力資源部門會每個月去追蹤員工的使用率，主要關注的行為指標包括：員工使用中的問題 系統登陸頻次 何時登陸 安裝比例 注：以 上 案 例 來 自 智 享 會 第 二 屆 People Analytics 的發展與應用研究報告部將該方案進行討論，SSC 的負責人及小組leader 提供建議和意見完善方案，同時也會將產品方案與業務需求方再次溝通確認；方案確認后，People Analytics 團隊便會將方案進行落地，將其實現出來；落地上線后，用戶可以在過程中通過平臺反饋功能或直接聯系項目組，及時提供建議和反饋，幫助優化和豐富產品。同程藝龍數據決策分析平臺的產品研發，完全基于公司內部技術團隊自主研發，

99、具體包括：產品經理、技術開發人員、UI 設計師、研發的測試人員。注：以 上 案 例 來 自 智 享 會 第 二 屆 People Analytics 的發展與應用研究報告人力資源數據運營與管理34要點精粹 尋求咨詢公司幫助：尋找專業人士進行模型搭建和業務場景設計等，但并不首推，在 HR 對數據運用的認知達不到相應程度時，僅依靠外力未必能達到良好的效果。與提供系統服務的供應商交流：借鑒供應商從系統如何開發、系統的功能和特點基于怎樣的背景和場景，具體如何設置與運用等方面分享的思路。與同行及標桿企業交流：互相交流和學習。與內部用戶（管理層、業務部門、HR）共創 前期指標的梳理與確認：數據分析團隊可以

100、協同 COE 從“全面”到“聚焦”，建立分級指標庫。先梳理每個模塊中的所有關鍵指標，再根據不同用戶群體的關注進行分類。同時，可以結合企業發展階段思考數據分析維度。關鍵用戶調研：以員工在自助平臺上自主提交、問卷調研與面對面訪談的形式，深入了解需求與痛點，并確認哪些分析指標是不同用戶所真正關注的。了解需求后，對問題進行分析：問題是持續發生的還是可以一次性解決的？系統是否能夠解決？再進一步評估：這一需求需要怎樣的分析、涉及哪些模塊、需要怎樣的人力和技術工具、最終要達成何種目的，優先度如何？基于需求落地解決方案，并不斷優化 形成初步的產品解決方案，并與多方角色進行溝通完善方案，并與業務需求方進行確認。

101、方案落地后，確保用戶能夠在平臺中進行反饋，提供建議，幫助數據團隊持續優化。注：在數據分析產品開發中，要先打造明星爆款產品，“先做深再做寬”。先聚焦業務部門 1-2個高頻且亟待解決的痛點，搭建分析模型，以此為抓手讓業務部門看到數據分析的價值與意義。外部拓寬思維內部注重溝通，與業務方/管理者共創承接需求，輔助決策管理者關注什么維度？那管理者真正關注什么？2.0 階段的企業能夠實現什么？誠然，不同發展階段的企業與對數據需求不同的企業，可能對于具體的維度和指標上的需求會有所差異，在與管理者和業務溝通共創的過程中，HR 能夠更好地找到助力點。因此，在本小節中，我們并非面面俱到涵蓋管理者的關注點，更多是結

102、合前期訪談及企業實踐場景舉例，給予讀者一些思考與借鑒。專家洞見前百度/滴滴 DHR 總監 王崇良管理者關注什么？人力資源進行數據分析，理解管理者所關注的重點尤為重要。第一，如果管理者所關注的管理范疇較大，可能會關注整個團隊的人員管理情況。這樣的情況下人力資源需要提供員工全景檔案，讓管理者可以隨時查看，并能夠從業績情況、出勤情況、工作狀態和健康度等多個維度對比員工數據，而非僅看到數值，幫助管理者基礎的日常管理更為便捷。同時，除了日常管理工作，關懷類數據的展示也是管理者所關注的。管理 團隊人員管理情況 員工關懷 團隊風險預警關鍵內容提要The Operation and Management of

103、 People Data35專家洞見寶龍地產 系統及數據管理高級專業經理 許靈 結合企業發展階段思考數據分析維度在尋找管理者真正關注的數據分析維度與指標時，HR 需要關注企業現階段的業務痛點，不同階段企業關注的維度也有所不同。例如，處于快速擴張階段且正好在行業紅利期的發展型企業，可能更關注人員到崗率，人員編制完成率、招聘效率、新招聘人員保留情況等“人員到位”的指標。而處于穩定發展期的企業，可能更關注人才保留情況、人才內部的晉升發展情況。因此，人力資源首先要從分析業務核心需求出發，提供恰到好處的指標分析。大部分公司所采用的人力資源部門關注的分析維度主要有三個方面：第一，是關于離職率等人才保留相關

104、的指標。第二，是人才發展相關的指標，如晉升率、干部內部生長率、管培生成材率、人才內部流動性等。第三，是招聘類的相關指標，如招聘預算、招聘費用的預算執行率、招聘效率、獵頭使用情況等。人才保留 人才發展 招聘相關者希望及時獲得關鍵員工的重要日子提醒（如入職周年日、生日等），才能對關鍵人才給予人文關懷，提高關鍵人才對組織和管理者的感受度。從決策層面來看，團隊風險度也是管理者較為關注的重點。例如，關鍵人才的異動情況、健康度狀態、離職影響度等，若能有一些相關的預測則更有價值。同時，管理者也會評估預算和成本，例如，預算和成本是否超支，業績的達標情況等。此外，部分管理者還希望通過數據看到自己團隊與組織中其他

105、團隊的對比結果，了解自身團隊在組織中所處的位置，并基于此進行本部門的調整和優化。HR 在獲取管理者需求時，要主動了解并主動進行溝通，在這個過程中需注意的是，不能“空對空”談，需要帶著想法甚至一定基礎的分析模型和領導交流，引導管理者提出自己的看法和意見，通過火花的碰撞確認最終的管理需求。關鍵內容提要人力資源數據運營與管理36企業實踐了哪些應用場景？（舉例）企業實踐：同程藝龍企業實踐：景瑞地產 人才數據全景人才數據全景主要解決了人選用與評估的問題，該場景的應用與 OD 部門合作開展，所要達成的目的為借助全景化的人才動態數據，實現人才的實時管理。人才數據全景不僅解決了OD 在人才動態管理方面的痛點，

106、同時又滿足了大多數用戶的需求。在 2020 年 6月的用戶調研中，75的用戶表示期待員工數據全景畫像功能。由于干部群體的數據相對更加豐富，因此從干部群體開始進行試點，未來人才全景畫像也會覆蓋全體員工。通過這一場景，企業在進行人才盤點時會更了解干部，上級也會更了解下級，員工對于自己當前的定位與優劣勢也會更為清晰。要形成這樣的全景畫像，同程藝龍主要選取以下指標來支撐這一場景：干部測評數據 公司定期的干部盤點（如：九宮格的盤點結果等）干部的 BP 和其上級對他的評價 干部績效、晉升、獎懲情況 日常行為，如：出勤，請假，差旅等 干部所帶團隊的成長、發展數據 公司內外部的過往工作經歷 以上數據均為整合在

107、一個頁面上進行呈現，形成完整的人才畫像。注：以 上 案 例 來 自 智 享 會 第 二 屆 People Analytics 的發展與應用研究報告 從人才發展場景著手試點的原因隨著景瑞的戰略轉型，企業的管控模式由以往的“強管控”轉向了“授權一線”。業務的下放意味著對于一線的人員能力要求更高，人才的質量顯得尤為重要。然而，人員能力的量化無疑是較為困難的，既要有數據積累，又要有相對成熟的人才發展制度與體系。因此從 2016 年開始，景瑞便著手進行了相關的工作和積累。前期工作準備 梳理核心能力要求 建立集中的人才盤點體系 設計測評工具 對參與考評的評委進行培訓 采購外部系統工具，進行長期的數據累積

108、數據抓取維度 能力測評結果數據 述職打分結果 績效結果 數據呈現顆粒度 個人能力評價、綜合評價 數據呈現內容 能力的短板和集中優勢 后續人員和團隊調整的建議注：以上案例節選自智享會第二屆 People Analytics 的發展與應用研究報告，更為詳實內容請參考報告中的呈現The Operation and Management of People Data37企業實踐：羅氏（中國）Roche(Group)調研平臺平臺當前更多用于員工離職調研，主要調研員工的離職原因及對組織的滿意度。此外，羅氏也想將它作為全球化員工體驗的調研平臺，針對員工入職、培訓、新崗位適應等各個階段的體驗給出調研反饋，幫助

109、各職能部門改善相應的流程，以幫助員工獲得更好的體驗。此外，通過動態實時地收集員工對于公司的感知數據，羅氏也會將其作為新的維度運用到各類預測或推薦模型中。稀有技能（Niche Skill）識別基于用戶的反饋，PI 團隊意識到組織業務和招聘方向對于部分新技能或稀有技能的需求越來越凸顯。因此，PI 團隊提供了“識別具備稀有技能人才”的數字化產品。借助外部供應商提供的語義庫，檢索和識別候選人或員工簡歷中的關鍵信息，從而尋找出內部具備稀有或特殊技能的人才在哪里，為業務在有需求時提供相應的人才。組織網絡分析（ONA）ONA 能夠幫助管理者了解組織內部員工之間的聯結情況，分為兩個階段：第一個階段是實現項目化

110、的網絡分析，評估員工在不同項目之間的聯結和互動情況。第二階段企業計劃實現的是擴展到員工日常工作的網絡分析。ONA 能夠幫助管理者判斷組織中潛在的管理風險。例如，新員工入職后長時間未與團隊建立聯結，融入性差，管理者可以給予針對性的輔導和幫助；也可能出現某些員工被聯結的頻率過高，負擔較重，這時也需要對其適當“減負”。第二階段的實現獲取員工日常工作的信息授權尤為關鍵，信息的收集有主被動兩種渠道。被動渠道收集的數據如日程、郵件等，員工未必愿意授權，因此企業可以提供一些附加值服務，例如幫助員工分析日程，優化會議管理等。但被動渠道收集的數據反映的只是員工常規工作聯結，不能反映全面和真實情況，因此主動渠道的

111、收集更為重要。主動渠道收集企業通常通過問卷形式，讓員工主動羅列日常中聯結較多或較為重要的互動同事，并匹配一定的機制，能夠有效增強員工的參與度。ONA 中找到的一個自發形成的工作網絡人力資源數據運營與管理38企業實踐：同程藝龍 數據預警功能數據預警功能旨在讓用戶擺脫每日在 OA 或 PC 端上進行審批的繁瑣，可以自行設置自己關注的指標。目前，該功能支持用戶自主選擇自己關心的數據指標，并基于自身管理需求設置屬于自己的“預警線”，一旦指標達到了預警值，用戶將在移動端收到異常數據消息提醒，實現管理上及時預警。該功能也是在2020 年 6 月的用戶調研中，70的用戶期望數據平臺可以實現的，深受用戶期待的

112、功能。注：以上案例來自智享會 第二屆People Analytics的發展與應用研究報告基于以上 HR 的分享與部分企業實踐，我們發現管理者關注的指標有一些共性，基本從以下幾個方面：團隊員工管理情況員工關懷/員工體驗類預警類分析 員工全景檔案：從業績情況、出勤情況、工作狀態和健康度等多個維度對比員工數據，了解員工優缺點以及在隊伍中的位置?；A信息：部門人數、部門的增長情況、部門結構、晉升周期等，從人才獲取、人力資源結構、人才發展到薪酬福利等人力資源的一些基礎分析。在員工入職周年、生日等特殊日子，提醒管理者關懷員工，提高關鍵人才對組織的高感度。從關鍵人才異動情況、健康度狀態、組織健康度、薪酬人事

113、預警、人力成本預警、績效預警等，提醒管理者關注風險，并給到管理者和業務相關方案建議。The Operation and Management of People Data392.0 階段經驗萃取匯總要點精粹挑戰解決一：數據口徑統一，進行數據整合 明確數據口徑應用場景：數據規劃負責人在前期做數據規劃時要對數據口徑的應用場景進行界定，統一溝通語言和共識，避免因為數據口徑多帶來的應用場景混亂的問題。明確從決策層所需的數據分析來看，不同業務間的口徑需要對齊到什么程度：例如人力資源部門與財務部門雙方需要溝通和確認如財務歸集和成本核算等維度的最小單位，確認數據口徑的最小顆粒度，從集團層面將財務和人力資源拉

114、通到統一維度。推動業務部門出標準和規則：當出現人力資源與業務口徑無法對齊，借由管理者推動業務部門重新出規則和標準，人力資源再將自身的口徑與標準與其對齊。人力資源部門需要不斷與業務統一對數據標準和口徑的認知。一方面，在業務需求提出時反復與其確認，其需求是什么？應用場景是什么？以此確認業務所需的數據，并不斷與業務解釋該數據對應的口徑與標準。并記錄每一次的溝通，不斷強化對同一數據口徑的認識和共識。人力資源數據運營與管理40挑戰解決二：（2）承接需求，輔助決策團隊員工管理情況員工關懷/員工體驗類預警類分析 員工全景檔案：從業績情況、出勤情況、工作狀態和健康度等多個維度對比員工數據，了解員工優缺點以及在

115、隊伍中的位置?；A信息：部門人數、部門的增長情況、部門結構、晉升周期等，從人才獲取、人力資源結構、人才發展到薪酬福利等人力資源的一些基礎分析。在員工入職周年、生日等特殊日子，提醒管理者關懷員工，提高關鍵人才對組織的好感度。從關鍵人才異動情況、健康度狀態、組織健康度、薪酬人事預警、人力成本預警、績效預警等，提醒管理者關注風險，并給到管理者和業務相關方案建議。挑戰解決二：（1）了解業務需求，確認數據分析維度要點精粹 尋求咨詢公司幫助：尋找專業人士進行模型搭建和業務場景設計等，但并不首推，在 HR 對數據運用的認知達不到相應程度時，僅依靠外力未必能達到良好的效果。與提供系統服務的供應商交流：借鑒供應

116、商從系統如何開發、系統的功能和特點基于怎樣的背景和場景，具體如何設置與運用等方面分享的思路。與同行及標桿企業交流：互相交流和學習。與內部用戶（管理層、業務部門、HR）共創 前期指標的梳理與確認：數據分析團隊可以協同 COE 從“全面”到“聚焦”，建立分級指標庫。先梳理每個模塊中的所有關鍵指標，再根據不同用戶群體的關注進行分類。同時，可以結合企業發展階段思考數據分析維度。關鍵用戶調研：以員工在自助平臺上自主提交、問卷調研與面對面訪談的形式，深入了解需求與痛點，并確認哪些分析指標是不同用戶所真正關注的。了解需求后，對問題進行分析：問題是持續發生的還是可以一次性解決的？系統是否能夠解決？再進一步評估

117、：這一需求需要怎樣的分析、涉及哪些模塊、需要怎樣的人力和技術工具、最終要達成何種目的，優先度如何？基于需求落地解決方案，并不斷優化 形成初步的產品解決方案，并與多方角色進行溝通完善方案，并與業務需求方進行確認。方案落地后，確保用戶能夠在平臺中進行反饋，提供建議，幫助數據團隊持續優化。注：在數據分析產品開發中，要先打造明星爆款產品，“先做深再做寬”。先聚焦業務部門 1-2個高頻且亟待解決的痛點，搭建分析模型，以此為抓手讓業務部門看到數據分析的價值與意義。外部拓寬思維內部注重溝通，與業務方/管理者共創The Operation and Management of People Data41HR 數

118、據運營 3.0 階段：Whats The Next Step？在不同成熟度階段的市場數據樣本中，僅有不到 2%的企業能夠實現 3.0 階段，大部分企業對于 3.0 階段的畫像構想更多是基于 2.0 階段下，對未來數據運營能夠實現價值的展望。在第一章節中，我們結合前期 HR 訪談及模型，對 3.0 階段畫像進行了簡單勾勒，即：“不僅需要 HR 的數據，為了更好地支持業務，需要引入業務數據，為業務做好預測和預警，承接業務和戰略的需求，提供更為客觀科學的依據”。在本章中，我們將結合前期 HR 的訪談，更進一步談談在 3.0 階段，企業在數據本身需要實現的程度、數據運用的實現目標，以及企業可能需要具備

119、的準備條件，與讀者共同思考人力資源數據運營的 3.0 階段。專家洞見前百度/滴滴 DHR 總監 王崇良關鍵內容提要“數據運營”（非本報告中數據治理工程的概括，而是與企業整個經營層面相掛鉤的數據綜合價值發揮層面）。數據透明、數據說話和數據決策偏工具層面，而數據運營與企業的整個經營層面相掛鉤，探討的是當人力資源整個數據納入公司的運營體系來看的話，它能發揮哪些價值？這不僅僅是人力資源層面的，公司整體的人、財、物、事中，“人”只是其中的一環。人力資源要結合企業的未來戰略提前進行“排兵布陣”，包括人才識別、選拔、任用、配置、激勵、發展等。同時，這個過程需要實現仿真和預測的功能，業務部門和管理層能夠看到不

120、同的排兵布陣的方案都能實現何種結果，從而做出正確的判斷。不少企業已經能夠實現數據說話和數據決策階段，而當前能夠實現“數據運營”階段的企業并不多。要實現這個階段的企業，通常已經能夠滿足以下幾個方面：首先，企業的數字化轉型通常要到達較為成熟的階段，數據決策也已經開始產生作用，這個階段企業才會有往更高階階段邁進的需求。同時，這個階段的企業通常需要具備自建數據倉庫的能力，通過建立大數據平臺存儲企業綜合數據。數據湖和數據倉庫為企業當前主要的兩種形式:數據湖：企業搭建數據湖后，無需在前期做好數據精細化分類，各個業務部門可以根據不同的權限將各自的結構化數據、非結構數據等等各類數據放入，后期在此基礎上再分門別

121、類搭建各類專業數倉與集市。數據倉庫：在前期搭建數據倉庫時需要基于未來決策所關心的重點方面，設立一定的規則，即考慮好各個業務如財務、采購、運營和人力資源等數據如何分類后再放入。企業只有搭建了大數據平臺進行數據存儲和數據清理與加工，后期才能在此之上搭建模型實現關鍵場景的數據分析。數據本身：將人力資源數據納入公司運營體系，從“人、財、物、事”綜合考慮 實現目標：利用仿真和預測功能，結合企業未來戰略做出“排兵布陣”方案，供業務部門參考做出判斷 準備條件：a.數字化轉型到達較為成熟的階段。b.具備自建數據倉庫的能力人力資源數據運營與管理42專家洞見人力資源數字化經理 歐普照明 潘一鳴關鍵內容提要第三階段

122、對于絕大多數企業而言有些“好高騖遠”，若要實現第三階段的預測，企業需要在第二階段的基礎上引入業務數據，將各事業部業務指標結合財務、人力等指標進行綜合分析。只有明確業務指標，HR 才能了解人力資源在其中的助力點，如需要配備的人員資源、人員需要具備的資質、需要的預算和投入等，當所發生的變化產生到人員數據上，對應的流程、離職率等多個方面也會發生變化，才能實現最終多個維度綜合分析后的預測給予業務參考，否則只靠 HR 層面的預測和單獨的模塊預測都沒有意義。企業在第三個預測階段，需要實現的是“數據是否能夠給予業務參考性”。這一層面的實現需要 HR 與業務之間達到充分的互信與溝通。在溝通中，需要業務主動提出

123、需求，HR 基于業務需求與業務現狀，告知業務當前哪些數據分析能夠實現，哪些需要業務配合提供更多數據才能夠實現。若業務無法主動提出需求，HR 可以主動進行引導，與業務共同剖析所要達成的績效目標中，HR 需要在人員投入方面的助力點，通過數據分析為業務決策提出建議，給予業務參考。數據本身：引入業務數據，進行綜合分析 實現目標：實現預測；結合業務指標規劃人力資源配置；數據分析對業務有參考性 實現目標：尋找業務場景，以主動的方式發現問題及提供解決方案 準備條件：a.數據驅動決策的文化b.集成、內部有專業分工的中大規模團隊c.即企業需要一個能夠存儲打通后的所有數據的平臺，進一步加大在專業算力服務和產品搭載

124、平臺上的投資企業實踐：蒂升電梯企業實踐：羅氏 Roche(Group)Tech3.0 階段需要思考如何應用各種資源，使得人力資源能夠更好的賦能業務。如何賦能業務呢？尋找業務場景，以主動的方式發現問題及提供解決方案。以蒂升為例，今年 2 月 DHR 團隊發現蒂升某一員工群體的實時離職率出現異常變化，相比往年提前波動。因此，DHR 團隊立即進行專題分析，包括企業內部因素，競爭對手情況，勞動力市場趨勢等維度的分析。在業務端發現問題前提供出現該現象的原因以及離職員工的流動方向等信息，使得 HR 和業務部門能夠更快速的響應，做出調整。這就是 HR 數字化下的價值。數據 3.0 階段實現的“前提條件”形成

125、數據驅動決策的文化從組織文化層面上，HR 團隊和業務團隊要傾向于依賴數據做人事決定，并在發現業務問題后愿意尋求 PI1團隊的支持和幫助，依靠數據尋找解決方案。簡而言之，組織內部要形成用數據驅動決策的文化?！跋忍臁蔽幕?“后天”干預在羅氏，一方面是自身文化的影響，作為一家醫藥企業，內部如醫學部、研發 部等多數部門都傾向用客觀的信息做決策。另一方面，HR 也會主動干預。羅氏 PI 團隊中的“洞察伙伴”與 HRBP不僅會在日常與業務主動溝通中進行數據產品介紹，而且會針對業務的困境關鍵內容提要關鍵內容提要 1羅氏人才分析與洞察團隊，英文名 People Insights，簡稱 PI 團隊。后文提到的

126、PI 團隊均特指羅氏 PI 團隊。后文中的 PA 團隊則泛指從事人才分析職能的團隊。The Operation and Management of People Data43和痛點，找出能夠助力的部分，并開發數據產品幫助問題解決。值得注意的是，當業務遇到困境并主動尋求幫助時，通常會下意識地預設方案，PI 團隊則需要拋開業務的常規“預設”，不斷尋找和校驗出現問題背后的根本原因，再提供對應的解決方案。當業務遇到的困境能夠依靠數據方案得到解決后，會信任并再次依賴PI團隊，這樣的正向反饋能夠幫助數據驅動決策的氛圍形成。儲備專業 PA 人才在人才準備上，處于 2.0 階段的企業，通過小規模的團隊（甚至只

127、有 1-2位專業人才），能夠實現一定程度的數據助力決策。而要實現 3.0 階段的企業，需要一個更為集成、且內部有專業分工的中大規模團隊。羅氏 PI 團隊主要由四種角色構成：數據工程師：數據工程師負責管理數據管線和數據架構，從各個系統中集成數據，再依據數據科學家的需求進行數據派發；當數據科學家的模型回傳后，數據工程師需要將數據推送到最終的解決方案中。數據科學家：負責機器學習建模、假設檢驗等數據科學方面的工作。在整個過程中，數據科學家需要基于預測和檢驗結果不斷與數據工程師調整數據的鏈路，并將最終的解決方案回傳給數據工程師。洞察伙伴：主要負責向業務介紹數據產品，與 HRBP 共同了解業務的痛點和需求

128、，并收集意見反饋。當形成數據產品解決方案后，洞察伙伴也負責幫助業務部署和實施。組織行為學專家：組織行為學專家能夠使用行為學的分析方法，通過量化的主觀因素，探討員工的心理、動機和行為對于組織的影響。他們會通過（而又不局限于）問卷和測評的手段，了解個人的特質和主觀感受，并揭示其與他在組織中的發展之間的關系。這些量化的主觀數據甚至能為預測建模、假設檢驗和個性化推薦服務提供更加精準的數據源。具備數據平臺3.0 階段對于系統和平臺的基本需求，多數企業在 2.0 階段就已基本實現。即企業需要一個能夠存儲打通后的所有數據的平臺，可以是數據湖或數據倉庫。但考慮到 3.0 階段的運算和落地需求，企業需要進一步加

129、大在專業算力服務和產品搭載平臺上的投資，需要根據不同種類的需求，購買實體或虛擬服務器，以及云計算平臺。人力資源數據運營與管理44綜上，我們可以發現，市場上對 3.0 階段的認知畫像有較為統一的認知：在探究市場上對于 3.0 的畫像認知可以發現，大家對于 3.0 階段有較為統一的共識，引入業務數據，為業務問題的解決和預測提供有效的數據方案支持，是企業在 3.0 階段最重要的目標。但在具體的實踐樣本上，我們發現能夠實現的企業少之又少，這是由于 3.0 階段對于企業文化、系統和平臺支持、數據本身準備、專業人才及團隊有都有較高的要求，只有企業具備了相應的要求，才有可能進入 3.0 階段的嘗試。同時，在

130、智享會此前的 People Analytics（以下簡稱 PA）的調研報告中，對于企業在具體應用場景中幫助業務實現預測和預警，為業務和戰略需求提供助力的探討，屬于本次 3.0 階段的范疇。因此，我們將結合本次調研中 HR 提及的 3.0 階段需要具備的準備條件，并借鑒 PA 報告中談及的關鍵驅動因素，與大家共同梳理，企業需要具備怎樣的關鍵條件，才能開始考慮以及更好地實踐 3.0 階段。我們總結與匯總如下：3.0 畫像邁向 3.0 階段的關鍵準備條件 企業文化不僅需要HR的數據，為了更好地支持業務，需要引入業務數據，為業務做好預測和預警，承接業務和戰略的需求，提供更為客觀科學的依據 引入業務數據

131、，實現與業務模塊整合分析 引入業務數據，并將人力資源整個數據納入公司的運營體系，將各事業部業務指標結合財務、人力等指標進行綜合分析。除了 HR 內所有模塊，還能夠實現與業務模塊整合分析。數據分析能夠為業務做好預測預警，承接業務戰略與需求 結合企業未來戰略做出“排兵布陣”方案，供業務部門參考做出判斷。通過數據主動尋找業務場景，以主動的方式發現問題及提供解決方案。數據運營與分析并非一朝一夕之事，一方面，企業自身的業務發展需要具備一定的連續性，所采集的數據維度、建立的數據模型才能夠較為穩定并且有可能持續優化另一方面，“巧婦難為無米之炊”，若沒有數據的長期積累，是無法實現較為復雜的分析的，而要實現預警

132、、預測功能，對于企業的數據積累和算力要求則會更高。同時，要確保企業的數字化轉型到達較為成熟的階段，數據決策也已經開始產生作用，這個階段企業才會有往更高階階段邁進的需求。數據在該階段的運用關系著各業務數據的獲取與管理者的決策，因此，管理者對此需要有較高的重視度，企業所處階段The Operation and Management of People Data45 技術系統及平臺 該階段企業需要具備自建數據倉庫的能力，需要一個能夠存儲打通后的所有數據的平臺，可以是數據湖或數據倉庫，實現業務數據與人力資源數據的整合?？紤]到 3.0 階段的運算和落地需求，企業需要進一步加大在專業算力服務和產品搭載平臺

133、上的投資，需要根據不同種類的需求，購買實體或虛擬服務器，以及云計算平臺。人力資源可以考慮“聯動”的系統為：ERP 系統管理層的支持形成數據驅動決策的文化管理層不僅要能夠意識到數據的重要性，并投入資金和專人資源，還要能夠對數據的運用主動提出需求與想法，才能保證數據分析承接業務和戰略的需求。人力資源部門可以如何促動這些條件的發生 可以對企業內的關鍵決策者、管理者進行一輪談話與調研，了解其在業務上的關注點及希望數據分析解決的問題，讓后續的實踐能夠更為“投其所好”。在數據分析產品開發中，要先打造明星爆款產品，“先做深再做寬”。企業若一次性解決所有業務功能的打造難度較大，人力資源應該先聚焦業務部門 1-

134、2 個高頻且亟待解決的痛點，搭建分析模型，以此為抓手讓業務部門看到數據分析的價值與意義。在管理層對數據分析有一定的認同度后，則可嘗試開展部分“吸引眼球”的項目，如引入 AI 技術等，以增大后續管理層的投入。企業需要有數據驅動決策的文化，即：愿意協助、配合3.0數據分析的實現：在應用數據時各個部門、業務條線之間應該具備開放的心態企業在需要收集、整合數據時常常會遇到組織內部的“部門墻”，這在一定程度上不利于數據價值的充分挖掘，因此如何在組織內部建立起一種開放、協作的文化至關重要。形成用數據說話的習慣：即 HR 團隊和業務團隊要傾向于依賴數據做人事決定，并在發現業務問題后愿意尋求數據團隊的支持和幫助

135、，依靠數據尋找解決方案。人力資源部門可以如何促動這些條件的發生 發揮管理層的作用，借助高管對于數據的關注度，自上而下地宣傳、推行讓員工在潛移默化中形成數據驅動的意識。打消員工對于數據質量與準確性的疑慮：在向員工展現數據時，可以對于數據質量的把控、衡量指標一并展示，提升員工對于數據的信任，意識到數據的價值。挖掘業務痛點，通過業務問題的解決從而讓業務信賴數據分析：一方面，數據分析團隊聯合 HRBP與業務主動溝通，發現能夠助力的痛點，并開發數據產品幫助問題解決；同時，當業務遇到困境并主動尋求幫助時，通常會下意識地預設方案，數據團隊則需要拋開業務的常規“預設”，不斷尋找和校驗出現問題背后的根本原因，再

136、提供對應的解決方案。當業務遇到的困境能夠依靠數據方案得到解決后，會信任并再次依賴 PI 團隊，這樣的正向反饋能夠幫助數據驅動決策的氛圍形成。在企業內樹立 People Analytics 相關產品與團隊的品牌：如設計專屬簽名，設立專門網站（網站可提供團隊人員介紹、已有產品信息、會定期出具的報告的時間表等信息）等。財務系統 行政管理系統 其他與業務相關的專屬系統人力資源數據運營與管理46 數據自身準備 專業的人才及團隊 企業需要的數據應是：安全、可靠的數據：數據是企業重要的資產之一，因此在開展 3.0 數據分析前需要評估內部各個會涉及數據的流程的法律法規風險，確保所有的操作合法、合規?！坝匈|量”

137、的數據：這是讓企業上下認可數據，信任分析結果的基礎，也決定了最終的分析結果能否真正地幫助企業解決管理問題?！坝兴悸泛涂蚣堋钡臄祿杭椿谄髽I的實際業務運轉狀態，數據分析的層次、結構和布局如何定義，如：為什么要做該項數據分析？該數據分析要解決什么樣的實際問題？企業現階段在實際運營過程中的天花板是什么？人力資源部門能否利用數據賦能的方式形成數據產品？該要素是企業在短時間內較難實現的，需要專業人才的支撐。人力資源部門可以如何促動這些條件的發生 建立完善的數據質量標準，這一標準框架包含的內容可以參考以下維度：*數據口徑一致；*數據完整、有連續性；*數據具備時效性*重視數據治理，若有條件，可在企業內部上

138、線了數據治理的平臺，對數據的邏輯、規則進行實時的檢查。堅持“以終為始”的原則?！敖K”便是指圍繞業務場景中的管理難題，明確人力資源的發力點在何處，其具體的管理行為可以有哪些，這些管理行為如何數據化。明晰上述問題后，企業便會形成清晰的數據清單，結合數據清單明確具體產品，IT 人員便可以更好地實現相應的設計與功能。無論是系統的搭建與使用，還是數據的分析與應用都離不開專業人才的支持。在前期，企業需要有專業的負責人進行數據統籌規劃、數據管道一體化建設的專業人才、數據清洗等，保證數據達到能夠實現 3.0 分析的標準。需要設置專職團隊/專崗負責進行數據分析，有一個更為集成、內部有專業分工的中大規模團隊。另外

139、，要達成較好的運行效果，還有賴于 IT 團隊、HRIS、HRBP 等團隊的通力合作。人力資源部門可以如何促動這些條件的發生明確“我們需要什么樣的人才”結合企業的實踐，我們發現數據分析團隊涉及的核心技能包括：“懂業務”：即看到業務管理場景中存在的問題，將業務痛點進行解碼；“懂工具”：借助工具將業務信息數據化，在海量的數據中清洗、提煉出需要的數據，最后輸出產品，再通過反饋驗證，形成管理閉環；“懂設計”：最終把一體化的人力資源解決方案以產品的形式，通過營銷讓客戶買單。明確“我們需要什么樣的角色”數據工程師：負責管理數據管線和數據架構，從各個系統中集成數據，再依據數據挖掘和分析人員（如數據科學The

140、Operation and Management of People Data47家）的需求進行數據派發；當數據科學家的模型回傳后，數據工程師需要將數據推送到最終的解決方案中；業務對接人員：專門負責對接業務，了解業務需求，并且確保后續數據產品的落地與推廣；數據挖掘與分析人員：將人力資源選用育留管理行為數據化，尋找與管理問題相關的數據，進行建模分析。其中可以將數據挖掘人員分為兩類，一部分負責相對輕量、簡單的分析工作；另一部分則可負責更為深入、高級的分析，如：預測分析等；IT 技術實現人員：負責將數據產品實現、落地、用戶交互界面設計等；數據及網絡安全維護人員：負責數據的大致框架、評判標準的搭建，以

141、及網絡安全和數據安全的管理；組織行為學專家：組織行為學專家能夠使用行為學的分析方法，通過量化的主觀因素，探討員工的心理、動機和行為對于組織的影響。他們會通過（而又不局限于）問卷和測評的手段，了解個人的特質和主觀感受，并揭示其與他在組織中的發展之間的關系。這些量化的主觀數據甚至能為預測建模、假設檢驗和個性化推薦服務提供更加精準的數據源。明確“我們從何處找這些人才”內部挖掘：3.0 數據分析階段所需要的人才往往是復合型的人才，即不僅僅要掌握人力資源相關的知識與技能，還需要對于業務場景與問題有深入的了解，并且能夠結合數據分析的技能，將這些場景與問題“翻譯”為數據語言。因此作為核心技能之一的“業務痛點

142、的解碼”能力，難以在短時間內培養，而來自業務一線的人員在該技能上通常具備天然優勢。因此，可以在業務部門中挖掘具備人力資源發展潛力的員工，充分利用其對業務場景的理解能力，并且在該員工后續的發展中，逐步補充人力資源的專業知識與技能。尋找外部跨界人才：企業不妨通過行業線下交流會等方式，從行業內外吸引“跨界人才”加入數據分析團隊，人員背景包括但不限于業務部門、財務部門、工程設計、IT、大數據專家等，這些外部人員應用已經成熟的技術幫助 HR 實現初步的分析功能。其他團隊“借力”：在技術實現方面，企業內需要擁有一支成熟的 IT 團隊，確保軟硬件系統的支持。因此，人力資源部門需要在內部與這些團隊之間建立起長

143、期的溝通機制，確保產品需求的技術實現并且實時進行優化迭代。小試牛刀：具體的應用場景嘗試基于上述，我們可以發現，要想真正承接業務和戰略需求，實現 3.0 階段的分析，企業還有很長的路要走。同時，結合本次調研的訪談及 PA 調研報告的場景舉例，我們發現許多企業也開始了如人均效能分析、離職風險預警分析、勞動力規劃、組織能力建設等具體應用場景的嘗試，本報告將不再詳談，讀者可以在本報告案例啟示部分及 PA 調研報告中獲得詳細案例內容。當然這可能只是 3.0 數據分析階段所能實現的“冰山一角”或者初步嘗試，我們希望給予正在邁向 3.0 階段企業一點借鑒或者啟發，更多 3.0 階段數據價值的發揮，我們相信企

144、業會有越來越多的實踐探索關于具體實踐場景案例，請在智享會官網下載：第二屆 People Analytics 的發展與應用研究報告開啟 People analytics 之路網址：http:/www.hrecchina.org/publication_yjbg/在 PA 調研報告中，發現企業 People Analytics 應用場景中較為聚焦和典型的有：人均效能分析（P34-P36）、離職風險預警分析(P37-P39)、勞動力規劃（P40-P42）、組織能力建設（P42-P48）以及其他較為特色的場景（P49-P51），讀者可以選取感興趣的部分閱讀。人力資源數據運營與管理48標桿數據以下哪一描

145、述更符合管理層/末端用數據的人對人力資源數據運營管理的態度與意識？N=162貴公司在 HR 系統建設和數據治理運用過程中，如何進行整體布局？N=162貴公司在數據的分析運用主要涉及到哪些模塊？N=162貴公司當前是否設置專職的人力資源數據團隊和人員？N=1621.0 階段 2.0 階段3.0 階段1.0 階段2.0 階段3.0 階段1.0 階段2.0 階段3.0 階段1.0 階段2.0 階段3.0 階段未意識到人力資源數據的重要性有明確的負責人，對于系統各個模塊的打通，流程設計和數據治理及后續運用有整體認識實現人力資源單個或多個模塊的獨立分析是，設置了專職團隊/專崗4.90%5.88%0.00

146、%38.24%61.76%100.00%63.73%35.29%0.00%24.51%52.94%100.00%意識到人力資源數據的重要性，但僅從態度表示支持，持觀望態度沒有相關負責人，企業更多考慮信息化過程，對于數據后續的治理與運用沒有過多布局除了實現人力資源絕大多數模塊的獨立分析，還能進行多模塊的整合與交叉分析否，只有專人負責(未設置專職崗位)實現人力資源內所有模塊分析外，還能夠實現與業務模塊(如運營、財務)等的整合分析否，無專人或專職成員負責41.18%17.65%0.00%59.80%32.35%0.00%24.51%41.18%33.33%49.02%29.41%0.00%意識到人力

147、資源數據的重要性，并能夠投入資金和專人等維護數據質量其他，請指明42.16%47.06%33.33%1.96%5.89%0.00%11.76%23.53%66.66%26.47%17.65%0.00%意識到人力資源數據的重要性，并能夠投入資金和專人等維護數據質量；同時，對于數據的運用也會主動提出需求與想法11.76%29.41%66.67%The Operation and Management of People Data49參調信息您公司所處的行業是：N=252電子電氣多元化產業房地產互聯網與游戲業化工與石化機械制造建筑建材金融服務(如，銀行，保險，財富管理等)零售業與電子商務貿易業能源動

148、力汽車及零部件生命科學(如，生物工程，醫藥，醫療器械等)消費品信息技術，半導體及通訊運輸及物流造紙，包裝及森林業專業性服務(如，法律，咨詢，教育，旅游等)其他3.60%8.00%3.20%7.20%6.40%9.60%3.20%4.00%5.20%2.40%4.00%8.00%7.20%6.00%8.40%3.20%2.40%4.80%4.00%10000 人到 30000 人1000 人到 2499 人2500 人到 4999 人30000 人及以上國有企業上市企業外商獨資您所在的公司(包括分公司和子公司)在中國大陸的員工數量：N=252您所在公司的所有權性質：N=25213.20%11.6

149、0%13.60%15.20%15.60%33.20%12.00%14.80%10.80%14.00%23.20%17.60%6.80%5000 人到 9999 人500 人到 999 人少于 499 人中國私營及民營企業中外合資其他人力資源數據運營與管理50企業案例科大訊飛：人力資源數據運營與管理實踐 企業背景科大訊飛股份有限公司成立于 1999 年，是亞太地區知名的智能語音和人工智能上市企業。自成立以來，長期從事語音及語言、自然語言理解、機器學習推理及自主學習等核心技術研究并保持了國際前沿技術水平；積極推動人工智能產品研發和行業應用落地，致力讓機器“能聽會說，能理解會思考”，用人工智能建設美

150、好世界。人力資源數據管理背景在當前的人力數據運營管理階段中，隨著管理者對看到數據背后趨勢，依據數據進行決策的訴求越來越凸顯，企業也將數據重點放在數字化的展示及數據對業務決策助力的探索上。在此之前，企業也通過體系化的數據治理工作把控數據質量，為數據運用打下基礎。數據治理工作：為數據運用打下基礎 數據專項治理項目企業在 16 年上線新系統時，僅對數據進行系統間的遷移，未考慮到未來的運用需求以終為始對數據進行同步梳理，數據在系統間仍相對獨立且未成體系。在18年時，企業也將共享服務中心的流程進行整體梳理，實現流程標準化，通過流程驅動數據。然而，企業發現，僅實現數據線上化和流程驅動遠遠不夠，在有了運用需

151、求時，企業仍面臨著數據標準混亂，數據質量不佳的問題。因此，為解決這一問題，企業在 19 年開展了人力資源數據專項治理項目，從三個步驟落實，逐步提高數據完整性與準確性。第一步，企業對現狀進行整體盤點：梳理當前有多少系統？是否具備應有的人力資源模塊？各個系統模塊有多少數據字段以及字段的有效性如何？基于盤點情況，確定了數據治理的范圍及所要達成的目標。第二步，聚焦核心字段，重新梳理標準。各個系統中可能有幾百個字段，在前期治理中企業未必有精力全面顧及，且許多字段對于運用層面來說也并非必要。因此，科大訊飛聚焦核心字段進行重新梳理。首先，企業通過判斷每個字段未來的應用場景來評估其重要程度，基于分析需求圈定需

152、要梳理的核心字段；同時，企業也對標外部，參考外部企業在當前階段數據分析所需的主要字段及數據，基于已被實踐的“前人經驗”，對當前已圈定字段進行查缺補漏。朱成敏HRIS 經理 科大訊飛The Operation and Management of People Data51 確認關鍵字段后，項目組對每一個字段從定義、與其他字段的關聯與關系、字段所屬責任部門、維護標準、應用場景等多個維度進行重新梳理，并依此制定了人力資源數據管理規范將其標準化，且面向全體HR宣傳。第三步，當標準制定清晰，企業上線了數據治理平臺自動校驗數據。平臺能夠基于設置好的標準，自動校驗出存在錯誤的數據，人力資源部門會將錯誤數據推

153、送給相應的個人或組織內部進行核實、補充或修改，在此之后，系統會再進行二輪的核查，確定數據完整性和準確性是否達到預設的目標，以此不斷校驗和完善。設置系統規則，把控數據入口為了避免數據在采集過程中出現錯誤并減少人為審核的繁瑣，科大訊飛在前端依據梳理好的數據標準設置系統規則，把控線上數據入口。例如，從入職端開始，規范填寫選項，避免員工自定義填寫造成的錯誤和不統一。同時，企業原先需要人工審核員工所填寫信息與實物證明資料間的匹配，當前更多使用用電子材料及 OCR 識別校驗，提高了數據管理的效率。數據更新企業對數據進行專項治理后，除了利用平臺自動校驗，數據的更新也較為關鍵。企業上線了員工信息平臺，方便員工

154、查看自己的過往履歷及基本信息，并能夠時時更新數據。然而，大部分員工的數據更新意愿低，為此，企業采取了以下幾個方式助力更新：線上線下宣傳，鼓勵員工完善信息。從宣傳內容上，企業主要將信息的完善與員工個人發展及未來晉升之間的關系作說明。部分職級的晉升對員工參與過的項目、在職年限有規定，而這部分信息員工的上級未必掌握，因此，企業鼓勵員工在信息平臺中完善工作履歷及基本信息，為未來的晉升提供詳細的參考依據，避免因為信息缺失影響晉升。在宣傳形式上，企業會搭建線下展臺，或給員工郵件發送附有平臺更新鏈接的海報進行宣傳，當員工的信息完整性能夠達到 100%，企業會發放一些公司產品及小禮品，以提高員工的信息完善意愿

155、。通過內部排名，推動 HR 完善各部門數據。企業會在每周或每月對各個部門的數據質量進行排名，數據質量好的部門會給予獎勵，數據質量不佳的部門會給予通報，推動 HR 督促員工完善數據。人力資源數據運營與管理52 數據分析與數據深度運用場景 數據分析管理者希望看到數據呈現的結果好壞及背后反映的規律和趨勢，并能實時得到預警且從中獲得決策依據和建議，而非僅看到報表數值。因此，企業也在進行數據儀表盤產品開發，希望產品能夠幫助管理者時時查看管理動態及獲得管理風險預警。數據深度運用場景 離職風險預測為了分析員工的離職傾向并進行提前干預，避免人才流失對企業帶來的損失。企業嘗試從員工基本信息、任職信息、過往工作經

156、歷、出勤信息、薪酬信息、績效信息等幾個維度的數據進行員工離職風險預測，離職風險預測結果能夠幫助業務提前識別管理風險，并結合工作中的實際情況采取干預措施，降低人才流失。The Operation and Management of People Data53 業務背景綠城服務集團（下文簡稱“綠城”）成立于 1998 年，總部位于杭州市西湖區，是一家以物業服務為根基、以生活服務與產業服務為兩翼，以智慧科技為引擎的數字化、平臺化、生態型的現代服務企業。在人力資源數據的治理上，企業從人員、制度、系統等多個方面給予了強力支持，并進行數據助力業務決策的多方面嘗試，將綠城內部的人力資源數據運營與運用推向新的

157、階段。人力資源數據標準與口徑統一 建立數據字典在進行全面數據治理之前，企業前期花了很大的精力在數據字典的搭建上，將其作為“綱領性”的指導手冊，基于字典來解釋人力資源數據的相關標準和口徑問題。同時，人力資源部門在內部強制規定，部門發出的所有報告，只要涉及到數據，必須在文本下方注明口徑、公式，不斷強調數據標準的運用。對標業務部門的口徑需求數據字典建立后，人力資源部門需要不斷與業務統一對數據標準和口徑的認知。例如，當業務部門需要人力資源提供數據時，由于不了解人力資源內部對口徑的定義，可能無法對接到同一批數據上。人力資源部門會不斷與其溝通：業務的需求是什么？應用場景是什么？以此確認其所需的數據，并向業

158、務部門解釋這部分數據對應的人力資源定義的口徑和標準是什么？同時，人力資源部門會對業務每一次的需求提出進行記錄，當有同綠城服務：人力資源數據運營管理實踐楊路本體共享中心副總經理 綠城服務樣的場景需求產生時，能夠將原有的記錄調出與業務部門再次校驗，在不斷地溝通中拉通雙方對于同一數據口徑的認知，減少溝通成本。開展數據治理項目，提高數據質量在開展體系化的數據治理工作之前，綠城人力資源數據的準確性和完整性只有 70%-80%，而經過兩年的治理工作，數據準確性和完整性達到了 90%-97%，這得益于企業在治理工作中通過設置系統卡扣管控增量數據、開展存量數據專項治理項目、從制度上“倒逼”各業務部門為系統數據

159、負責以及確保靜態數據及時更新等方式，不斷完善數據質量。依靠系統管控增量數據，保持新增數據準確性。在企業階段性的數據治理中，存量數據往往依靠人為處理，在增量數據不產生大量垃圾的前提下，靜態存量數據的錯誤能夠被較快消除，而同步有增量數據產生時，數據治理的復雜性就會變高。因此，綠城表示，依靠系統管控新增數據是保證數據質量的關鍵一步，在系統中為新增數據設置入口“柵欄”，進行數據的自動化關聯等，能保證進入系統的新增數據是準確的。例如，數據的來源更多由入職端開始，原先系統數據經歷線下填寫、人工錄入等流程，會導致大量的數據損耗。當前，企業完善了預入職功能，對于原先需要手工錄入的信息都借助 OCR 識別、系統

160、提供選項選擇等方式，減少新增數據的損耗及避免人工填寫的錯誤。同時，為了減少多余數據對員工的負擔，對于不同崗位的不同人群，企業會差異化的地設置必填字段：例人力資源數據運營與管理54如，禮賓人員的身高體重是必填字段，而對于保潔人員只需設年齡為必填字段。既減少基層人員的填寫壓力，也使企業能夠獲取到最需要的數據。分析人事數據質量，開展存量數據專項治理項目。增量數據依靠系統管控，而對于存量數據，綠城每月都會進行數據質量的分析：包括現階段數據出現哪些問題？出現該問題的原因是什么？針對此問題需要進行管理干預、系統補漏還是數據治理工作處理？分析后企業會將其中最核心的 2-3 個數據問題找出，并開展針對這些問題

161、的數據專項治理工作。數據的運用與分析以系統數據為主，從制度上“倒逼”業務完善系統數據。綠城數據質量提升最重要的助力點在于，企業從制度上明確了所有人力資源數據的運用與分析都以系統呈現的數據為準。例如，人力資源基于各系統中的數據進行績效考核分析，若業務對于考核結果有疑義（非算力問題），無法對報告結果進行修改，但能夠通過完善系統數據中的遺漏和錯誤，提供人力資源新的數據以獲得新的分析結果，以此“倒逼”各業務部門維護和管理系統數據。這得益于 HR獲得管理層的支持，即各業務負責人在簽署總經理經營目標責任書明確各個條線的績效考核指標時統一了要求。同時，HR 部門每個月會出人事數據報告，加強人事數據在管理者面

162、前的曝光度，讓業務與管理層了解可用數據及能夠提出新的分析訴求，讓數據“越用越準”。確保靜態數據持續更新。員工對于個人的靜態數據更新意愿低，企業不會面面俱到，會識別出重點字段進行針對性維護。例如，與員工上崗資格相關的資格證書屬于重點關注并需強制更新字段，企業會設置相應預警，依托各人事條線及時完善這部分數據。而對于員工個人家庭狀況等數據，企業更多采用福利發放的鼓勵形式對數據進行收集和更新。數據分析場景運用綠城每月會出人事數據分析報告，包括人事結構：即人員結構、年齡結構及學歷結構等；人員質量問題：人員流動性、穩定性和競爭率等，為業務提供概況描述。此外，數據分析也在為業務產生的問題提供具體的解決方案。

163、人員配置分析綠城屬于服務型行業，員工多為藍領員工，人員出勤情況也較為靈活，部分業務部門反映人員的配置和優化存在困難。為了幫助業務解決這一問題，人力資源部門首先分析了當前項目人員配置的合理性，通過評估該業務部門人員尤其是保安人員的“出勤波動率”分析人員出勤情況。綠城屬于穩定服務型行業，項目每天出勤的人數正常情況下應該保持穩定，不會因為節假日和周末而發生人員出勤的大幅變化。而企業基于分析報告卻發現，部分項目周末或白班時保安人員明顯增多，且每日出勤人數會出現較大浮動?；诖?，HR 分析了當前出現不合理配置的問題點，并給予業務能夠著力的人員結構調整方案，幫助業務部門針對存在問題的項目進行改善。用人成本

164、分析與加班管控在對員工出勤情況進行分析后，企業發現異常的人員出勤情況和人員配置會增加加班成本。綠城屬于勞動密集型行業，加班費占比較大，因此，為了合理控制加班成本，企業開始進行用人成本分析與加班管控。人力資源每月會提供給子公司財務部門人事數據分析報告，呈現加班費情況，并從出勤有效率概念進行分析，為業務提供建議，即如何規劃員工的出勤情況（調休、單休、雙休）對于人員招聘和勞動力運轉效率會更高。同時，企業也會對加班情況進行管控，并出具長期監控報告。報告主要關注兩組數據：一是加班費的變動，二是項目人員缺勤狀況變動?；诖伺袛囗椖渴欠癯霈F了加班異常（如項目勞動強度存在較大差異、滿編項目出現人員加班）。HR

165、 通過報告結果幫助業務快速定義出需要做加班管控的項目，并提醒業務在管控上的關注重點：如應該關注何時的加班情況、應該關注哪部分人群的加班情況、如何解決加班情況等，為業務的加班管控上提供合理的解決方案。人效分析疫情期間，綠城面臨人員無法復工，用工緊缺的情況。企業開始探索現有人員多勞多得的方式，通過量化提高人效。同時，企業發現同一崗位人效存在較大差異，例如管家崗，不同管家能夠管理的住宅戶數有顯著差別。那對于企業來說，哪些管家的工作效率在正常值？企業對此進行了同類的合并差異性分析，通過分析崗位的人效合理值，來為不同項目提供合理人效指標指導。綠城主要從以下幾個方面入手（以管家崗為例）：企業首先對實現不同

166、人效的管家進行分類，例如，管家能夠管理住宅戶數 100-200 戶的一類、200-The Operation and Management of People Data55300 戶一類、400-500 戶一類等，分類后分析每類管家群體的特點，找尋每類管家能夠掌管不同戶數的原因。分類后，企業通過回歸分析，計算出最合適的人效數值。對于計算出來的結果，企業會基于 4 個方面進一步評估其合理性：（1）不同項目管家的工作內容是否相同；（2）分布的規律如何，75 分位與25 分位等數值是多少。（3）驗證所計算出的數值對于呈現優質服務內容與品質是否合適。（4）進行行業對標，評估例如工作強度是否合理等。通過

167、內外認證，并做覆蓋率的分析，評估大部分項目是否能夠基于這一標準執行，并確認管家崗最終的人效合理數值。確定最合理的數值后，人力資源會給到不同業務部門建議幫助其調整。對于管理戶數高的管家，提醒他們注重服務的質量；對于管理戶數低的管家，建議他們對工作進行重新組合，例如調整頻率、重新分工，優化不必要的崗位職責等。信息化建設思考：敏捷迭代，快速適應多數企業在信息化建設過程中，很難在一開始就做好數據的全盤規劃，往往是出現了問題，才開始重新做數據治理。在這過程中，企業需要有懂信息化建設的人在部門里；也需要經歷了數據治理過程才能意識到前期規劃的重要性，重視數據工作。盡管如此，大多數企業在信息化建設前期很難立即

168、建立好數據標準，一是由于企業沒有多余的精力，二是當前系統的迭代速度與外界的變化很快，在業務發生之前所做的工作更多基于規劃與想象，制定了完美的標準也可能在執行后不符合原有的設想。綠城當前更多采用“敏捷迭代”的方式，不斷完善數據標準。舉例來說，企業當前系統上線通常采用分布建設，在做功能級別的規劃時，僅需制定幾個大的數據原則，考慮最核心的數據標準和字段并梳理清楚，后續再基于現實場景不斷完善，而無需在前期就面面俱到考慮所有字段。傳統的信息化或者標準的建立通常會上線一套完整的系統和體系，并花了大量的時間調研和規劃，現在企業更多采用輕量化、小規劃的內容，不斷迭代，快速適應外界的變化。人力資源數據運營與管理

169、56東風汽車集團有限公司：人力資源數據業務治理 企業背景東風汽車集團有限公司（簡稱“東風公司”）是中央直管的特大型汽車企業，總部位于“九省通衢”的江城武漢，現有從業人員13萬多名。東風公司主營業務涵蓋全系列商用車、乘用車、新能源汽車、軍車、關鍵汽車總成和零部件、汽車裝備以及汽車相關業務。事業分布在武漢、十堰、襄陽、廣州等國內20多個城市，在瑞典建有海外研發基地，在中東、非洲、東南亞等區域建有海外制造基地，在南美、東歐、西亞等區域建有海外營銷平臺。公司總資產 3753 億元，汽車產銷規模超360萬輛，銷售收入超過5800億元，位居世界500強第100位。東風公司人力資源數字化建設從 2006 年

170、開始，由集團下屬最大的一家合資企業率先展開人力資源信息化建設，積累了一定經驗與基礎后，2013 年在集團范圍內全面鋪開。其建設大致可分為三個階段：e-HR1.0（2017 年之前），以業務流程化管理為驅動，實現基礎人事業務在全集團覆蓋，形成全集團數據拉通；e-HR2.0（2020 年之前），以支持人力資源三支柱體系建設為驅動，實現共享業務系統化，通過新技術應用做到對員工、客戶單位的服務持續提升；DHR（2020 年開始），以數字化轉型為驅動，進行數字化工作平臺融合，打通系統壁壘、數據壁壘，通過數據治理體系、數據分析體系建設，為客戶單位提供優質的數據服務。數據問題 東風公司在持續多年的人力資源系

171、統建設與應用過程中，積累了大量的數據。但是相關的業務治理工作未能有效跟上，導致數據的可用性較差，主要存在兩個問題：一是數據不能用，二是數據不敢用，數據價值未能充分發揮出來。數據不能用：主要是數據及時性不夠、完整性不足。往往是用戶在使用數據時才發現數據還未進行更新，或者是存在大量的數據未維護，完全缺失。沒有數據或者過時的數據，導致其不能使用。數據不敢用：數據的缺失會讓用戶對已有的數據心存疑慮，再加上使用過程中確實會發現個別的數據錯誤現象，更加導致了用戶對數據的不信任，不敢正式應用。于文強信息室經理 東風汽車集團股份有限公司 數據治理 企業數字化轉型、人力資源數字化變革，都對人力資源數據質量提出了

172、更高的要求，東風公司對以往零散的數據治理方式進行體系化重構，并納入公司人力資源“十四五”規劃中，按照“明確數據治理內容、制定數據治理標準、開展數據治理活動、跟蹤監控持續改善”的工作方法開展數據治理工作。下面以幾個具體實例介紹東風公司的人力資源數據治理工作。通過數據“五率”治理框定重點數據治理內容與標準要實現數據質量的提升，不能全靠主觀判斷，而是需要通過具體的指標及數據來支持。為此，東風公司基于自身人力資源數據質量現狀，制定了數據“及時率、準確率、完整率、共用率、自動化率”的“五率”內容，并設定了十四五期間每年的“五率”達標標準，具體有24個指標、110 個檢查項。及時率：重點關注各類業務系統流

173、程審批是否和實際業務時間一致、工資核算是否按制度時間進行、相關報表是否按制度要求生成與上報等。準確率：重點關注主數據是否符合邏輯規范，包括數據自身邏輯規范（如身份證號是否 18 位）、關聯數據邏輯規范（如參加工作時間不能晚于入職時間）、信息連續性邏輯規范（如合同、學歷、工作經歷時間上需連續）。另外通過抽查方式關注數據本身是否準確，如通過核實人事檔案確認相關信息是否真實。完整率：重點關注主數據是否有數據值、工作經歷是否缺失、是否有緊急聯系人、是否有有效合同等。共用率：重點關注基礎信息、薪酬信息、統計指標等數據在各統計分析應用中是否實現了共享，使用了同一數據源。自動化率：重點關注主數據是否是通過線

174、上業務開展自然產生的（而非手工單獨維護）?；跀祿藴试O定增量數據與存量數據治理策略并落實在“五率”標準（規則）確定后，東風公司對人力資源系統中已有數據進行了盤點，對集團及下屬各單位每項The Operation and Management of People Data57指標的數據情況進行了量化，準確定位了每家單位、每個員工的數據質量短板，并根據量化情況，分別制定了增量數據、存量數據治理策略。增量數據：把住數據入口，在系統實施階段就做好數據進入的系統邏輯校驗規范。一是優化新單位上線數據初始化檢查。對于企業掌握的組織、崗位、人員基本信息、合同信息、人崗匹配信息等數據，通過批量導入系統，經過簡

175、化的業務流程校驗通過后生效；對于其他個人信息，通過員工自助維護、系統功能校驗及單位審核通過后生效。降低了單位數據采集難度、縮短了數據采集周期、提高了數據采集質量。二是關注線上線下業務開展的一致性。通過取消線下審批、線上提供業務辦理所需數據與材料、打通人事與財務個人工資支付全流程線上進行等措施，確保相關數據全程在線上運轉，并提升了數據的自動化率。存量數據：主要通過數據專項治理來提升數據質量，通過數據應用來激活數據并保持數據鮮活度。在開展數據專項治理方面，每年根據當年的數據質量現狀，結合“五率”提升目標與數據應用所需制定當年的數據治理活動計劃，每項活動的開展都遵循 PDCA 循環，確保工作有效果。

176、在數據應用方案，主要是打通數據在不同系統間的關聯應用，比如職稱評審中個人信息直接使用人員主數據系統中的數據，出現信息錯誤必須從源頭系統上解決；將業務系統生成的月報數據用于運營分析平臺、年度預算的預實分析等業務，通過數據橫向縱向拉通，提升數據產生者對數據質量的重視。針對不同用戶群體提供差異化的方法與工具在數據治理工作推進過程中，針對管理人員、專業業務人員及員工個人等不同群體，提供差異化的數據治理措施，做到數據質量及時、透明的顯現，達到相互促進的效果。對管理人員，需承接本單位人力資源十四五規劃中的數字化行動要求，并制定具體的行動措施與落地計劃；通過集團的運營分析平臺為其提供集團及本單位的人力資源數

177、據質量達標情況（五率數據）；通過集團的人力資源工作會通報各單位人力資源數據改善課題。多措并舉，強化管理人員對數據治理工作的重視及參與度。對專業業務人員，進行數據標準的宣貫、開展系統數據質量檢查評比，培養數據質量意識、促進數據治理工作開展。通過數據治理平臺每周向各單位業務人員推送本單位數據質量檢查報告，展示數據治理成果、提示數據治理待辦工作，讓專業用戶隨時掌握數據治理的各環節具體情況，制定更具針對性措施改善數據質量。對員工個人，提供個人信息盤點情況，準確反饋個人信息的不符合項，推送個人數據完善方式，引導個人主動完善數據。圖為數據“五率”指標結語 為更好的將數據治理效果賦能業務實際工作，東風公司開

178、展了數據產品孵化工作，將數據變成產品提供給各級用戶使用。目前已提供了標準化數據接口服務，實現了人力資源領域內各單位系統間、跨領域相關系統間的基礎信息關聯應用。同時已在籌劃人力資源月度運營分析服務，為各級用戶提供標準化的總結分析報告，減少用戶端的重復投入。數據治理要從打基礎、強應用兩個維度同步開展，打基礎包含治理標準與體系的持續完善、應用系統的持續優化、各單位數字化人員的持續賦能；強應用包含支持業務工作高效的開展、降低業務使用數據的難度、提升數據應用的價值?；A的持續建設是業務應用賦能的前提，業務應用賦能的顯現是基礎持續建設的動力，兩者之間互相迭代循環提升是做好數據治理工作的根本保障。人力資源數

179、據運營與管理58羅氏：打造“產品化”的數據解決方案Luc JiangRegional Practice Lead People Insights APAC Roche(Group)羅氏是全球制藥和診斷領域的領導者，致力于通過推動科學進步，改善人類生活。結合了制藥和診斷兩大業務的獨特優勢使羅氏集團成為個體化醫療的領導者，通過個體化醫療為每一位患者提供最具針對性的治療方案。作為一家醫藥企業，羅氏在“用數據說話，科學決策”的探索上已有較為深厚的基礎，隨著數據價值在業務決策上發揮的作用越來越凸顯，羅氏亞太區人才分析與洞察團隊 1也在致力于更進一步探索，通過羅氏全球數據的整合，將總部成熟的數字化產品和模

180、型部署在包括中國以內的亞太區各個國家，推動人力資源數據更好地助力業務決策，小跑步進入數據 3.0 階段。數據 3.0 階段實現的“前提條件”形成數據驅動決策的文化從組織文化層面上，HR 團隊和業務團隊要傾向于依賴數據做人事決定，并在發現業務問題后愿意尋求 PI團隊的支持和幫助，依靠數據尋找解決方案。簡而言之，組織內部要形成用數據驅動決策的文化?！跋忍臁蔽幕?“后天”干預在羅氏，一方面是自身文化的影響，作為一家醫藥企業，內部如醫學部、研發 部等多數部門都傾向用客觀的信息做決策。另一方面，HR 也會主動干預。羅氏 PI 團隊中的“洞察伙伴”與 HRBP 不僅會在日常與業務主動溝通中進行數據產品介紹

181、，而且會針對業務的困境和痛點，找出能夠助力的部分，并開發數據產品幫助問題解決。值得注意的是，當業務遇到困境并主動尋求幫助時，通常會下意識地預設方案，PI 團隊則需要拋開業務的常規“預設”，不斷尋找和校驗出現問題背后的根本原因，再提供對應的解決方案。當業務遇到的困境能夠依靠數據方案得到解決后，會信任并再次依賴 PI 團隊，這樣的正向反饋能夠幫助數據驅動決策的氛圍形成。儲備專業 PA 人才在人才準備上，處于 2.0 階段的企業，通過小規模的團隊（甚至只有 1-2 位專業人才），能夠實現一定程度的數據助力決策。而要實現 3.0 階段的企業，需要一個更為集成、且內部有專業分工的中大規模團隊。羅氏PI

182、團隊主要由四種角色構成：數據工程師：數據工程師負責管理數據管線和數據架構，從各個系統中集成數據，再依據數據科學家的需求進行數據派發；當數據科學家的模型回傳后，數據工程師需要將數據推送到最終的解決方案中。數據科學家：負責機器學習建模、假設檢驗等數據科學方面的工作。在整個過程中，數據科學家需要基于預測和檢驗結果不斷與數據工程師調整數據的鏈路，并將最終的解決方案回傳給數據工程師。洞察伙伴：主要負責向業務介紹數據產品，與HRBP 共同了解業務的痛點和需求，并收集意見反饋。當形成數據產品解決方案后，洞察伙伴也負責幫助業務部署和實施。組織行為學專家：組織行為學專家能夠使用行為學的分析方法，通過量化的主觀因

183、素，探討員工的心理、動機和行為對于組織的影響。他們會通過（而又不局限于）問卷和測評的手段，了解個人的特質和主觀感受，并揭示其與他在組織中的發展之間的關系。這些量化的主觀數據甚至能為預測建模、假1羅氏人才分析與洞察團隊，英文名 People Insights，簡稱 PI 團隊。后文提到的 PI 團隊均特指羅氏 PI 團隊。后文中的 PA 團隊則泛指從事人才分析職能的團隊。The Operation and Management of People Data59設檢驗和個性化推薦服務提供更加精準的數據源。具備數據平臺3.0階段對于系統和平臺的基本需求，多數企業在2.0階段就已基本實現。即企業需要一

184、個能夠存儲打通后的所有數據的平臺，可以是數據湖或數據倉庫2。但考慮到3.0 階段的運算和落地需求，企業需要進一步加大在專業算力服務和產品搭載平臺上的投資，需要根據不同種類的需求，購買實體或虛擬服務器，以及云計算平臺。而數據打通本身的難點其實在于企業所選擇的管理系統適不適合數據打通。早期企業在上線 HR 系統時，往往只考慮系統的易用性或者用戶友好角度，在 PA 團隊建立之前，企業不會考慮數據是否能夠從系統中提取出來，這就造成了當 PA 團隊在打通系統時，發現許多HR 系統不具備數據提取功能，從而造成打通的困難。當前企業在上線新系統時，都需要有一定的流程去衡量和考核系統是否具備方便提取數據的功能，

185、方便后續的數據集成。羅氏 PI 團隊的產品化方案羅氏當前數據分析的核心概念是實現產品化，即針對HR 經常性發生的流程和場景中所反饋的核心問題，通過分析總結后開發出產品化的解決方案，并在后續使用中不斷迭代和更新。對于非經常性發生的流程和場景如新業務擴展等，企業更多以項目制的方式跟進，按照項目需求獲取特定業務數據，從而給予針對性的解決方案。羅氏當前產品化的解決方案主要為以下八類：調研平臺平臺當前更多用于員工離職調研，主要調研員工的離職原因及對組織的滿意度。此外，羅氏也想將它作為全球化員工體驗的調研平臺，針對員工入職、培訓、新崗位適應等各個階段的體驗給出調研反饋，幫助各職能部門改善相應的流程，以幫助

186、員工獲得更好的體驗。此外，通過動態實時地收集員工對于公司的感知數據，羅氏也會將其作為新的維度運用到各類預測或推薦模型中。稀有技能（Niche Skill）識別基于用戶的反饋，PI 團隊意識到組織業務和招聘方向對于部分新技能或稀有技能的需求越來越凸顯。因此，PI 團隊提供了“識別具備稀有技能人才”的數字化產品。借助外部供應商提供的語義庫，檢索和識別候選人或員工簡歷中的關鍵信息，從而尋找出內部具備稀有或特殊技能的人才在哪里，為業務在有需求時提供相應的人才。預測模型 離職風險預測模型離職風險預測模型能夠幫助業務部門提前識別存在離職風險的員工，并通過提前干預保留關鍵人才。以往的離職干預方案中，業務部門

187、考慮更多的通常是升職與加薪。羅氏的離職預測平臺提供了不同方案，使用者選擇每一方案后，可以直觀地了解該方案（如升職、加薪）是否能夠降低該員工的離職風險。若升職加薪對于該員工的風險干預不起作用，業務部門使用者需要考慮其他方案如幫助該員工完善職業規劃，或考慮員工離職后的工作交接情況等，從而減少業務部門單一進行升職加薪所造成的不必要成本支出。離職預測模型所選取的維度，不同公司及行業會有所不同，羅氏當前主要從員工對公司的滿意度及團隊的穩定性和市場熱度評估員工離職風險。2在當前的實踐中，兩者的區別已經越來越小。離職預測平臺截圖 職業發展預測模型職業發展預測模型主要從員工歷史績效、個人畫像和工作經歷等維度進

188、行建模，評估員工個人職業發展可能受哪些因素影響。羅氏處于轉型階段，內部也創造了許多新的崗位，企業鼓勵每個個體能夠獲得更多發展，而非從單一業績維度對員工進行評估和給予晉升。職業發展預測模型能夠幫助識別出員工個人職業發展的關鍵影響因素與特質，并鼓勵管理者在考慮員工晉升和發展時跳出常規指標體系構成的考核維度，融入更多自我判斷及從新的視角觀察員工的個人發展，從而幫助每個個體與組織的共同成長。人力資源數據運營與管理60 組織網絡分析（ONA）ONA 能夠幫助管理者了解組織內部員工之間的聯結情況，分為兩個階段：第一個階段是實現項目化的網絡分析，評估員工在不同項目之間的聯結和互動情況。第二階段企業計劃實現的

189、是擴展到員工日常工作的網絡分析。ONA能夠幫助管理者判斷組織中潛在的管理風險。例如，新員工入職后長時間未與團隊建立聯結，融入性差，管理者可以給予針對性的輔導和幫助；也可能出現某些員工被聯結的頻率過高，負擔較重，這時也需要對其適當“減負”。第二階段的實現獲取員工日常工作的信息授權尤為關鍵，信息的收集有主被動兩種渠道。被動渠道收集的數據如日程、郵件等，員工未必愿意授權，因此企業可以提供一些附加值服務，例如幫助員工分析日程，優化會議管理等。但被動渠道收集的數據反映的只是員工常規工作聯結，不能反映全面和真實情況，因此主動渠道的收集更為重要。主動渠道收集企業通常通過問卷形式，讓員工主動羅列日常中聯結較多

190、或較為重要的互動同事，并匹配一定的機制，能夠有效增強員工的參與度。ONA 中找到的一個自發形成的工作網絡生產力管理工具提供給個人用戶的分析報告 “輕推”服務輕推服務是 PI 團隊幫助 COE 識別哪些人群需要相關的應用場景服務，并從技術層面上實現對這部分人群的定向推送。舉例來說，當經理想要學習領導力和敏捷化管理等技能，輕推服務每周會向經理推送簡短的技能Tips。初入職的新員工，需要掌握和了解內部的系統和規章制度，輕推服務會將簡短的學習內容推送給員工。同時，員工可以通過平臺反饋服務體驗及所獲取信息的有效程度。PI 團隊根據反饋改進服務，并進一步追蹤服務是否對員工產生了影響。在整個輕推服務中，CO

191、E 負責推送的“內容”制作并識別哪些人需要獲得推送，PI團隊從技術層面上實現服務的推送、追蹤和改進。生產力管理工具PI 團隊通過分析員工的會議數據，幫助員工了解自己每周的會議占比及與同事間的聯結情況等，給到員工如何優化時間管理的指導。同時，針對員工授權的這部分會議數據，PI 團隊會展開更進一步的分析，例如，什么樣的會議會幫助員工提高績效和產出；內部不同組織中員工平均會議時間占比；是否存在部分員工工作量過載的情況等，并在后續面向管理層提供更多分析。The Operation and Management of People Data61專家洞見王斌績效薪酬部總監 虎彩印藝股份有限公司 撥亂反正：

192、數字化轉型是什么？在談數據運營與管理的階段之前，首先要先對數字化轉型的概念進行“撥亂反正”。若談的是當前線下的內容需要系統和端到端的流程串聯起來后線上化，進行整體效率的提升，這不是數字化轉型，而是 E-HR 也就是線上電子化階段。E-HR 的目的是在于當企業已有既定的事務型的業務流程和工作，且效率相對低下的情況下，能夠借助一些IT 和互聯網的工具提升單個處理時效。而人力資源的數字化轉型指的是將人力資源的管理活動，它的價值分配、價值創造、價格評估等這些內容，用數字化的方式、結構和邏輯進行重新定義后的呈現，并且找到每一個活動對于整體如價值和運營程度的關系，結合具體的應用場景做輸出，而不是基于業務活

193、動本身。E-HR 是基于效率的評估，而數字化轉型是從價值的角度評估，這是二者的本質區別。計劃實現數字化轉型的企業，數據運營如何布局？當前絕大部分人力資源數字化轉型的企業，只能實現E-HR 效率提升階段。企業往往在前期投入許多的人力物力，當系統建設得相對完備后卻不知如何運用。這是由于許多企業忽略了數據運營中關鍵的第一階段，即做適配業務商業模式的人力資源業務流程設計的管理工程階段。而直接從第二階段開始建設，進入系統搭建、數據收集等數字化建設的軟硬件工程階段。而人力資源工作真正有價值的核心在于通過第一階段的管理工程治理，從而輸出基于層級化的業務流程和業務標準。因為數字化的前提是標準化，前端若沒有實現

194、標準化直接進行數字化，就會出現根基不牢，后端進行數據智能化應用和智能化改造時會缺乏穩固。從數據運營角度來講，數據基礎決定數據質量，數據質量決定數據價值，數據基礎是第一階段進行管理工程治理后輸出的數字產物，決定了企業在第二階段工程建設時能夠清楚：企業需要怎么樣的數據？數字化系統如何搭建？未來的應用場景在哪里？企業只有在完成前兩個階段的基礎上，才能最終實現數據價值運用。第一階段：管理工程治理那么如何進行第一階段的管理工程治理？可以被概括為具象化地輸出應用場景，例如，數字化轉型完成之后，要幫助企業解決什么問題？舉例來說，對于虎彩而言，場景化的應用之一在于解決核心人才保留問題。企業通過數字化的方式解決

195、這一場景，首先需要梳理哪些人是企業的核心人才？這其中會通過數字化評估模型界定核心人才。其次，界定出核心人才后要進行進一步保留。因此需要針對這部分人才的發展、薪酬競爭力等維度做動態盤點，進行離職風險預測，以便提前干預保留等。只有前期有了相對清晰化和固定化的運用場景梳理，后期才能將運用場景所需的業務活動通過數字化方式進行記錄和翻譯，避免后期需要運用時缺乏相應的數據或者具備數據卻不清楚如何運用。這個階段的管理工程治理需要關注三個重點：需要有專門進行數據管道統籌建設的負責人，需要在該階段考慮好：企業需要什么樣的數據？如何界定業務間的數據的顆粒度，數據使用頻次如何？數據從哪里來，如何規劃數據的生成軌跡？

196、數據顆粒度的大小決定論數據管道的要求和系統數據采集的方式等，因此負責人需要在這個階段基于應用場景做好規劃。需要確保人力資源主流程的相關業務活動能夠進行數字化翻譯。例如，要評估 HR 的招聘質量，需要看當前組織流程中所生成的數據流是否能夠支撐該項評估，如是否具備數據查看 HR 總招聘任務、每日招聘工作完成情況、招聘任務完成的質量區分等。企業在這個階段不能只關注主動脈業務活動端到端的完結，需要確保其中的節點和內容能夠被數字化翻譯，只有提前考慮這方面的需求及相關維度，做好流程數據的設計，才能確保系統建設具備相應的功能以 及相關維度的數據能夠被記錄。HR 數字化轉型的思考與應用人力資源數據運營與管理6

197、2 需要在系統上線時預留未來人力資源數字化轉型的接口。未來企業在做人力資源數字化轉型中，需要打通運營、生產、財務等數據進行多維數據交叉分析，雖然無法提前規劃后期需要打通的具體數據，但從系統建設本身的功能需求來看，企業需要在系統上線時預留接口。接口預留并非物理意義上技術打通，而是要保證系統本身具有拓展性，即數據能夠流入和流出、能夠做多元化的轉化、其他系統數據能夠流入并存儲等。第二階段：數字化軟硬件工程建設 搭建數據通道，把控數據質量數據質量不高是一個“偽命題”，企業之所以存在數據不準的情況，核心原因在于前端工程治理中沒有搭建好數據管道。數據通道的搭建需要基于第一階段管理工程梳理后得出的數據清單，

198、通過數量、顆粒度、時效三個維度，決定數據的采集方式（自動、半自動、手工）及相應的流程配套。例如，顆粒度較細的數據往往需要大量人工輔助，這過程中會存在人工處理帶來的偏差。對于這部分數據，若數據不重要，則舍棄這部分數據的收集；若數據使用高頻且與日常關聯較大，可以借助自動化的形式收集和處理，因此，在數據管道建設的時候，要考慮優先滿足這一功能的系統。此外，企業在采用自動化采集的方式的同時，也需要匹配相應的業務流程支持。對于重要但使用并不高頻的數據，可以通過線下手工的方式收集，例如銷售數據對于人力資源來說需求并不高頻，因此 HR 只需讓業務以月為單位提供報表，并預留接口后期有需要時進行數據導入即可。而半

199、自動采集方式通常用于企業在有具體運用需求時對基礎數據的再加工。企業需要結合好數據采集方式及配套的流程設計，從源頭控制好數據質量。數據打通和口徑統一關于數據打通，企業可以通過虛擬的數據中臺，將各個系統數據統一抽取到數據中臺中（簡稱數據倉庫），再進行 BI 分析和輸出。在數據拉通的過程中，最大的挑戰在于部門墻，而對于部門墻的解決一靠價值觀，二靠行政命令，人力資源需要向管理層證明數據應用的價值，從而獲得管理層的支持。另外就是數據口徑的統一和規范，口徑的多與少以及是否要統一的決定因素是企業本身的管理需求，許多企業反映數據口徑不統一，不是口徑本身的問題，而是數據口徑多帶來的應用場景混亂的問題，即每個口徑

200、應該應用在哪里？對于這個問題，企業能做的就是統一溝通語言，統一管理共識。如果數據規劃負責人前期進行數據規劃時能夠進行界定和規范，就能夠減少口徑多的溝通內耗。第三階段：產品化思維進行數據分析在數據真正實現價值運用階段，由于人力資源對業務的熟悉度有限，管理思維與業務間的管理思維可能存在較大差異，因此，在做數據分析和數字化建模中，對于場景化的定義和出具的建模方案會存在與業務適配性較低的情況。這是一個需要長期磨合和探索的過程，人力資源需要從思維與實踐兩個方面著手，找到真正能夠觸達業務部門關注點，且能夠影響其績效的人力資源相關活動，并將其通過數字化的方式翻譯和衡量，并進一步反饋出人力資源所做的數據工作價

201、值大小及對業務的幫助。The Operation and Management of People Data63 思路拓寬如何為業務和管理層提供真正有價值的數據？人力資源不能“閉門造車”，應該通過與多方的溝通交流打開思路，再內化后形成有價值的方案。以下幾個方面的內外探索可以借鑒：尋求咨詢公司的幫助，可以尋找專業人士進行模型搭建、業務場景設計等，但這個方式并不首推，當 HR 對數據運用的認知還達不到相應的程度，只依靠外力的推動并不一定能夠達到良好效果。與提供系統服務的供應商交流。供應商能從系統如何開發、系統的功能和特點基于怎樣的背景和場景，具體如何設置與運用等方面分享，HR 可以從中獲得啟發和借

202、鑒。與同行及標桿企業交流。HR 可以與同行及標桿企業人才進行多種形式的交流和分享會，互通有無。與企業內部橫向板塊的業務負責人交流共創。這是能夠為業務和管理層提供價值數據的最有效方式。通過與業務部門的交流，HR 能夠了解業務部門的痛點及期待 HR 扮演的角色，基于業務反饋提出解決方案，并吸取業務的意見，修改和共創最后可落地的方案。這一過程也是 HR了解業務的管理訴求，將管理訴求落地為具體的業務活動，再用數字化的方式衡量和定義即數字化翻譯的階段。實踐迭代除了數據思維的拓寬，HR 部門同時也要 通過產品迭代的方式盡可能保持業務的粘性。當人力資源開發出新的數據分析產品后，若業務部門對產品的反饋不佳，人

203、力資源需要分析具體的原因，根據不同的原因改善方案，進行迭代。同時，在數據分析產品開發中，要先打造明星爆款產品，“先做深再做寬”。企業若一次性解決所有業務功能的打造難度較大，人力資源應該先聚焦業務部門 1-2 個高頻且亟待解決的痛點，搭建分析模型，以此為抓手讓業務部門看到數據分析的價值與意義。當業務部門認可數據的價值，更容易與 HR 敞開心扉探討業務痛點，尋求數據開發幫助。人力資源數據運營與管理64王崇良前百度/滴滴 DHR 總監企業當前的數據運用可以分為五個階段，數據透明、數據說話、數據決策、數據運營和數據創新。我們用數據做什么？當我們有了數據，讓數據“說話”只是一個手段，最終目的還是讓數據產

204、生價值，促進整個企業的價值鏈和生態鏈和業績利潤有更大的發揮空間，就是通過這四個階段發揮作用。第一階段是數據透明。數據透明階段，顧名思義，就是讓已存在的數據可以自然展示出來讓大家看到；過去只有極少數管理人員有權限看到數據，對絕大部分管理者，甚至部分 HRBP，都看不到相關數據，更談不上拿數據分析來輔助判斷了。所以第一步就是要把數據分層分步開放、透明化，先展示與查詢，供有權限的人群了解與使用。第二階段是數據說話。數據說話階段大部分企業都已經開始實現，為不同管理層和決策層、或者 HR 的專業用戶提供統計報表和分析看板，用數據說話。當前企業基本的商業套件里已經能夠提供基礎的標準報表和儀表盤等工具，即使

205、沒有提供，有些企業也運用了市場上的一些 BI 工具來實現。這些工具可以上是“微服務“的形式提供組件，企業能夠很快引用進行自建或者進行簡單配置后使用，多數企業都能夠借助這些工具用數據說話。第三階段是數據決策。數據決策階段是利用數據輔助管理層決策。輔助決策分為兩個含義：首先是輔助過程決策，決策過程涉及多個流程和節點，過往管理者決策時往往依靠經驗和主觀判斷，而當前數據分析作為工具，能夠讓各級領導在審批過程中基于自身的權限和管理范疇看到不同的看板，為管理者決策過程提供一些智能化的參考和建議。其次，數據也能輔助管理者進行管理判斷，即為最終決策層的拍板提供數據參考和支持。在人力資源數據決策的實現上，有些互

206、聯網企業走得快一些，因為它們數據采集和各方面能力的儲備相對完備，數據的準確性、一致性也相對較高，這樣的情況下人力資源才能和業務方產生互動和建立互信，有互信的基礎業務方才會使用數據，用了數據才能發揮價值。很多企業也開發了各種工具，但數據治理缺乏完備的規則規范，數據自身缺乏準確性和完整性，管理者和業務方對數據沒有信任，也就不會使用。因此，企業需要在前期花大量的時間和精力進行數據治理，將業務規則、操作規范、管理權限和管理職責等定義清晰，確保歷史存量數據和未來不斷產生的增量數據是有序的、在同一個頻道和同一套規范和規則下產生的，才能確保穩定的數據相對完整和清晰，再輔助決策工具才能真正實現數據分析輔助決策

207、。這個階段人力資源對數據決策的助力更多是關注人，關注人力資源自身?；谌肆Y源最終的判斷呈現關鍵指標。其中也會有來自其他業務部門如財務指標，因為要助力決策，一般是對組織、負責人或關鍵崗位人才，這部分人都有一定的部門績效或者組織績效的考核。第四階段是“數據運營”（非數據治理工程的概括，而是與企業整個經營層面相掛鉤的數據綜合價值發揮層面）。數據透明、數據說話和數據決策偏工具層面，而數據運營與企業的整個經營層面相掛鉤，探討的是當人力資源整個數據納入公司的運營體系來看的話，它能發揮哪些價值？這不僅僅是人力資源層面的，公司整體的人、財、物、事中，“人”只是其中的一環。人力資源要結合企業的未來戰略提前進行

208、“排兵布陣”，包括人才識別、選拔、任用、配置、激勵、發展等。同時，這個過程需要實現仿真和預測的功能，業務部門和管理層能夠看到不同的排兵布陣的方案都能實現何種結果，從而做出正確的判斷。不少企業已經能夠實現數據說話和數據決策階段，而當前能夠實現“數據運營”階段的企業并不多。要實現這個階段的企業，通常已經能夠滿足以下幾個方面：首先，企業的數字化轉型通常要到達較為成熟的階段，數據決策也已經開始產生作用，這個階段企業才會有往更高階階段邁進的需求。同時，這個階段的企業通常需要具備自建數據倉庫的能力，通過建立大數據平臺存儲企業綜合數據。數據湖和數據倉庫為企業當前主要的兩種形式。（1）數據湖：企業搭建數據湖后

209、，無需在前期做好數據精細化分類，各個業務部門可以根據不同的權限將各自的結構化數據、非結人力資源數據運營的五個階段The Operation and Management of People Data65構數據等等各類數據放入，后期在此基礎上再分門別類搭建各類專業數倉與集市。（2）數據倉庫：在前期搭建數據倉庫時需要基于未來決策所關心的重點方面，設立一定的規則，即考慮好各個業務如財務、采購、運營和人力資源等數據如何分類后再放入。企業只有搭建了大數據平臺進行數據存儲和數據清理與加工，后期才能在此之上搭建模型實現關鍵場景的數據分析。推動數據口徑統一：數據湖和數據倉庫的搭建能夠幫助企業集中存儲各個業務的

210、數據，這其中也涉及到各個業務存在口徑不一致的問題。數據湖相當于數據中臺的一部分，各個業務和集團層面會建立一套統一的標準和規范，各個條線業務根據所指定的標準存入數據。一般情況下大數據平臺所有的數據都能存入，但各家業務有特殊的要求可以提出，例如，人力資源對薪酬和評價的信息較為敏感，可能要求建立一個私有域獨立存放等。在具體的口徑對齊上，需要從兩個層面考慮：第一個層面是業務之間的口徑統一問題，企業需要明確從決策層所需的數據分析來看，不同業務間的口徑需要對齊到什么程度。例如人力資源對組織部門的劃分和財務對成本中心的劃分，絕大部分的企業對這兩者的口徑都無法完全統一。因此，人力資源部門與財務部門雙方需要溝通

211、和確認如財務歸集和成本核算等維度的最小單位，確認數據口徑的最小顆粒度，從集團層面將財務和人力資源拉通到統一維度，后續的數據計算如 HC 和財成本的歸集等才能夠在同一層面上分析。第二個層面是通過管理者推動業務部門出數據標準和規則。人力資源在數據分析過程中，會面臨因數據口徑、維度未對齊而無法出具相應報告，人力資源通過向管理者反饋問題，獲得管理者“拍板”，推動業務部門重新出規則和標準，人力資源再將自身的口徑與標準與其對齊。第五階段是數據創新。當前許多企業都在談數字化轉型，轉型的內涵就是要創新，這樣的情況下需要數據進行更多的賦能，可能涉及到組織仿真與數字雙胞胎等前沿的技術，依靠 AI、大數據分析發揮作

212、用。數據創新需要納入整個企業或者組織范疇去看，需要跳出人力資源來看人力資源管理，才能發揮更多的價值，因此，人力資源的人才招聘、人才培養和發展、甚至人才淘汰都要納入整個公司的運營體系和創新體系。這個階段更多是企業的展望和探索，能夠真正實現的企業并不多。數據運用過程中的關注點企業在實現數據價值運用時，除了“先天”準備，在具體分析場景中還需對數據進行二次加工和優化，同時也要關注管理者的真實需求。數據的二次加工和優化無論是數據倉庫還是數據湖，在數據應用之前都會進行具體的場景分析，不同的場景需要建不同的模型，抽取不同的數據以及對數據進行加工和優化。在這樣的情況下，由于不同階段和不同模塊下所收集的同一類別

213、數據（如性別）的記錄標準可能不同，需要企業將標準和記錄方式存在差異的數據處理成統一的標準，后續才能進行分析。人力資源數據運營與管理66其次，在建模中，企業會根據具體的分析場景，基于一定的規則在原有的數據基礎上再建立數據集。例如，在處理關鍵人才的指標時，會基于對關鍵人才多個維度的定義為數據庫中的員工打上標簽，歸集“關鍵人才“數據集。在具體的運用上，多數企業在如高績效人才、領軍人才等指標上已有一定的規則，有經驗的企業能夠提前就處理好這部分的數據，后續運用的時候可以直接調取。而對于一些特殊的場景，只能臨時加工和二次優化。管理者關注什么？人力資源進行數據分析，理解管理者所關注的重點尤為重要。第一，如果

214、管理者所關注的管理范疇較大，可能會關注整個團隊的人員管理情況。這樣的情況下人力資源需要提供員工全景檔案，讓管理者可以隨時查看，并能夠從業績情況、出勤情況、工作狀態和健康度等多個維度對比員工數據，而非僅看到數值，幫助管理者基礎的日常管理更為便捷。同時，除了日常管理工作，關懷類數據的展示也是管理者所關注的。管理者希望及時獲得關鍵員工的重要日子提醒（如入職周年日、生日等），才能對關鍵人才給予人文關懷，提高關鍵人才對組織和管理者的感受度。從決策層面來看，團隊風險度也是管理者較為關注的重點。例如，關鍵人才的異動情況、健康度狀態、離職影響度等，若能有一些相關的預測則更有價值。同時，管理者也會評估預算和成本

215、，例如，預算和成本是否超支，業績的達標情況等。此外，部分管理者還希望通過數據看到自己團隊與組織中其他團隊的對比結果，了解自身團隊在組織中所處的位置，并基于此進行本部門的調整和優化。HR 在獲取管理者需求時，要主動了解并主動進行溝通，在這個過程中需注意的是，不能“空對空”談，需要帶著想法甚至一定基礎的分析模型和領導交流，引導管理者提出自己的看法和意見，通過火花的碰撞確認最終的管理需求。The Operation and Management of People Data67許靈寶龍地產 系統及數據管理高級專業經理 數據實現深度分析前的“準備”盡管企業人力資源數據的運用與分析有不同的成熟度與階段，

216、但大部分企業最終的目的都希望能夠挖掘數據價值，與業務需求匹配，實現數據的深度運用與預測。企業往往基于這一目標，一步步實現數據線上化階段、標準化的數據整合階段，為后續的價值運用做準備。在實現數據的運用之前，企業有兩個需要關注的重點：第一，人力資源條線的重要管理者及末端用數據的人，需要在前期就具有使用數據的意識，重視數據的價值。若數據使用方本身不具備使用數據的意識與想法，企業數據分析只能借鑒市場上的通用指標與常用做法，當未得到較好的反饋時，則可能會失去對數據運用的信心，很難實現進一步的高階運用。若數據使用方對于數據的運用有需求且有想法，則能夠主動提出讓人力資源開發數據分析產品，人力資源更可能實現與

217、業務共創，挖掘到能夠解決業務痛點的數據，支撐業務的發展。此外，若數據使用方“先天”并未有很好的數據意識，HR 也可以主動挖掘領導層未發現的組織問題，通過數據報告讓領導層意識到數據能夠發現問題及提出解決方案，從而讓領導層認可數據價值并利用數據做決策。第二，數據質量的治理是一個長期的過程，企業需要在前期設置好規則管控數據入口，前期數據質量有了保障，后期也需要專人長期關注，并定期巡檢數據質量，不斷校驗數據收集與運營過程中是否存在維護錯誤，并進行修正。同時，數據需要“越用越活”，通過數據使用“倒逼”數據質量的修正與提升。數據分析與運用 結合企業發展階段思考數據分析維度在尋找管理者真正關注的數據分析維度

218、與指標時，HR 需要關注企業現階段的業務痛點，不同階段企業關注的維度也有所不同。例如，處于快速擴張階段且正好在行業紅利期的發展型企業，可能更關注人員到崗率，人員編制完成率、招聘效率、新招聘人員保留情況等“人員到位”的指標。而處于穩定發展期的企業，可能更關注人才保留情況、人才內部的晉升發展情況。因此，人力資源首先要從分析業務核心需求出發，提供恰到好處的指標分析。大部分公司所采用的人力資源部門關注的分析維度主要有三個方面：第一，是關于離職率等人才保留相關的指標。第二，是人才發展相關的指標，如晉升率、干部內部生長率、管培生成材率、人才內部流動性等。第三，是招聘類的相關指標，如招聘預算、招聘費用的預算

219、執行率、招聘效率、獵頭使用情況等。當前企業數據分析的重點關注維度當前，多數企業主要關注人力成本分析、人員離職分析、招聘質量評估等數據分析維度。同時，在同一指標的分析上，不同需求的企業能夠實現的程度也有所差異。人力成本分析：大部分做預算管控的企業都會在年度盤點人力總成本有多少預算、年度預算是否超支、執行率情況，并通過數據報表展示預算的具體使用情況和結余情況。而部分實現高端運用的企業，會提供人力成本管控的預測工具，即各業務單元自填未來計劃招聘人數、計劃招聘人員的職級等信息，預測工具能夠基于該業務單元人員的平均薪資、其所填寫的招聘計劃與過往離職率等，計算出年底費用是否會超支，幫助業務單元進行費用管控

220、。人員離職分析：多數企業能夠實現的基礎分析即呈現哪些員工離職、離職原因、哪些崗位離職率高等數據，剖析員工發生離職的概況，并幫助業務部門和人力資源解決發生高頻離職的情況。部分實現高端運用的企業開始進行離職風險預測，即結合員工的考勤、績效、組織敬業度等維度綜合分析，評估員工的離職概率，并通過 HRBP 和業務主管提前的溝通干預，盡可能保留這部分人員，以提升人員保有率。招聘質量評估：多數企業在招聘環節中通常關注招聘效率，而當前部分企業也開始注重招聘質量的提人力資源數據應用的準備及實操人力資源數據運營與管理68升，如分析在招聘環節中體現出哪些特質的候選人，會在后續的工作中有更高的崗位契合度和績效表現，

221、以此來幫助招聘者更好地“招對人”。但要實現這一分析需求，需要面試官在面試階段就積累好數據源，對候選人貼上結構化標簽，人力資源才能夠在后期結合該候選人的績效表現和評價進行分析，進一步幫助后續招聘高潛員工作預判?！皵U充”數據樣本量，支撐模型搭建值得一提的是，部分企業能夠實現如人力成本分析、人員離職分析、招聘質量評估等方面的深度預測型分析，除了與企業業務需求、人力資源的專業分析能力息息相關，也離不開數據量的積累。然而，企業單獨的數據量往往有限，不足以訓練高精準度的預測模型。企業可以嘗試將不同時間節點下的數據當成不同時期的員工，例如，從離職預測模型來看，不同時期員工的離職概率也不太一樣，因此，企業可以

222、通過保存不同時期的信息來“擴充”整個樣本量，支撐企業做高端的數據與運用。數據展示：BI 平臺的搭建在數據的應用與分析階段，部分企業對于系統化集成展示有需求的話，會進一步搭建 BI 平臺。是否進行 BI 平臺的搭建，關鍵在于人力資源管理者對管理時效性和數字化展示足夠重視，且愿意投入較多資源。有些企業僅需定期出線下報告、年度出員工入離職盤點情況等分析即可；而選擇搭建 BI 平臺的企業往往對于管理時效性的實時和透明有較高的需求，希望通過數據動態地掌握內部人員情況、績效指標完成情況、管理問題等。例如，離職率、干部保有率、管培生離職率、內部晉升率等考核指標，可能會在短期內有明顯的變化，僅靠月度或季度的報

223、表無法滿足管理者時時掌握動態的需求，因此，BI 看板能夠幫助領導者時時了解情況。其次，企業的人力資源主系統更多是核心運營而非數據展示系統，很少有主系統能夠呈現統計邏輯清晰、使用方便的報表，因此，HR 需要在數據處理上花費較多時間。當企業搭建完 BI 等平臺后，平臺能夠實現員工全量信息的查看、自動導出、報表邏輯生成等功能，幫助 HR 節約在處理與加工數據上所花的時間。同時，管理者對于平臺數據的信任度更高，也更愿意查看平臺數據。The Operation and Management of People Data69淺談人力資源數據運營與管理 潘一鳴人力資源數字化經理 歐普照明 企業在實現數據運用

224、與分析前的準備企業要進行數據運用與分析，一定要注意的是組織調整自身需伴隨業務要求具有一定的延續性。若組織一直在發生變化，且變化后組織與新組織之間又毫無財務、人事等的對應可還原的聯系，那在數據還原階段就會面臨一系列的問題。這樣的分析只能基于當時、當點進行，而無法進行延續性、趨勢性分析，此情景下的同比、環比等數據也因此不具有參考性。因此，對企業來說需要首先注意自身管理成熟度的提升，其次要做到配合業務的各類支持性部門數據及口徑的及時打通，這些在數據分析層面就是地基。在數據運營管理的第一階段也就是準備階段，企業需要從系統和數據流的打通上做好規劃和鋪墊。如果前期規劃得好，留下一定可以供后續數據需求用的“

225、埋點”，就能為將來分析階段提供更多的可能性。當然因為業務發展的不確定性，單純從“預知”的角度來說很難做到面面俱到、考慮周全。所以往往后期需要數據分析時，更多情況下仍需費時費力重新進行數據清理、再加工等工作。第二階段是優化階段，需要在功能優化的同時做的更多數據層面的優化工作，依靠不斷促使用去“養”數據。根據組織內部的需求進行系統、流程和體驗的優化，不斷將用戶變成主動使用系統的人，只有通過過程的優化和用戶的持續使用，留存下的數據量、準確性和有效性才會提高。企業不同階段的數據分析程度不同企業在數據分析上能夠實現的程度，可以概括為：第一階段，企業數據分析側重于將各個模塊發生的事情進行描述和展現。第二階

226、段，企業側重于將所有模塊數據進行匯總，將所發生的情況描述清楚且反映出其中的問題。第三階段，企業側重于分析數據所反映出的問題出現的原因，并預測將來可能會發生的情況。在具體的實現方式上，第一階段企業的數據分析通常為各個模塊“各自為政”，分析取決于系統本身自帶的報表功能及 HR 的數據分析能力。企業若具備足夠好的系統工具，且需求明確、需要分析的數據清晰和系統流程相對成熟，即能夠通過系統生成直觀的報表。若系統工具不佳，可能部分需要借助手工方式處理，需要 HR 具備較好的 Excel 和報表等處理能力。這一階段的數據更多是將各個模塊的獨立分析進行匯總呈現。第二階段有條件的企業能夠通過中臺統一抓取和分析數

227、據，排除人為干擾因素。這一階段實現的前提是企業所有的業務流程已經完全依附在應用系統上，且進入中臺的數據都是完整與準確的。原先各個模塊獨立分析，維度也各不相同，中臺能夠按照公司的某一維度、口徑，抓取所有模塊的對應指標進行統一分析。人力資源數據運營與管理70其次，這個階段企業應無需再手工處理數據，也不受限于平臺自身的報表功能，當企業能夠通過數字化的手段實現，不進行人為干預，并能夠通過儀表盤等呈現形式將分析結果給予業務和領導層查看，這一階段的數據分析已經實現得較為理想。第三階段對于絕大多數企業而言有些“好高騖遠”，若要實現第三階段的預測，企業需要在第二階段的基礎上引入業務數據，將各事業部業務指標結合

228、財務、人力等指標進行綜合分析。只有明確業務指標，HR 才能了解人力資源在其中的助力點，如需要配備的人員資源、人員需要具備的資質、需要的預算和投入等，當所發生的變化產生到人員數據上，對應的流程、離職率等多個方面也會發生變化，才能實現最終多個維度綜合分析后的預測給予業務參考，否則只靠 HR 層面的預測和單獨的模塊預測都沒有預測的意義。如何實現與業務層面的溝通人力資源給到業務的分析數據，首先要確保是業務所需要的，而不是僅站在人力資源的理解層面去做分析。人力資源需要和業務進行深度溝通，了解他們期待看到哪些數據。因為不同業務部門所要達成的指標不同，他們對數據的關注維度也不同。人力資源若不能針對性地提供數

229、據，也應該從整體規劃上確保數據分析包含所有部門所需的指標，方便各部門“各取所需”。其次，人力資源對數據的分析和呈現，要確保業務部門能夠理解，可以分析指標背后的原因、關聯性等，給予業務一定的參考。在實現了“業務想看、業務看得懂”后，企業在第三個預測階段，還需要實現的是“是否能夠給予業務參考性”。這一層面的實現需要 HR 與業務之間達到充分的互信與溝通。在溝通中，需要業務主動提出需求，HR 基于業務需求與業務現狀，告知業務當前哪些數據分析能夠實現，哪些需要業務配合提供更多數據才能夠實現。若業務無法主動提出需求，HR 可以主動進行引導，與業務共同剖析所要達成的績效目標中，HR 需要在人員投入方面的助

230、力點，通過數據分析為業務決策提出建議，給予業務參考。The Operation and Management of People Data71從企業信息化、數字化和智能化階段看人力資源數據運營 認清數據運營與企業信息化、數字化之間的關系在談人力資源數據運營之前，我們得了解企業信息化和數字化概念上的區別，厘清其中的關系后再去談數據運營。信息化是對于數據的存儲記錄，而且是基于一個單體的業務領域，它假定企業整個業務形態是單一的，且在一段很長的周期之內相對穩定，在這樣的場景之下做的 IT 建設，保證流程驅動、數據的完整性、一致性等。數字化轉型是更廣域范圍內的業務整體數據的拉通，通過數據驅動數字化運營過

231、程。整個數據運營實際上是承上啟下的關系，對企業信息化留存下來的數據進行治理，包括數據的拉通及數據的挖掘等，實際上來說企業信息化之上通過數據運營逐步完成數字化轉型。準確來說，信息化和數字化之間的轉型過程，很大一部分工作量就是在做數據的治理和拉通，這個我們稱之為數據運營。數據運營的信息化、數字化和智能化階段數據運營大體上可以分為三個階段，分別為信息化、數字化、智能化階段：第一階段是信息化階段，這一階段當前大部分企業都能夠實現，是目前人力資源數據運營的市場現狀。信息化階段企業更多在運營和管理數據的電子化和線上化，它著重在對數據的記錄，并根據數據記錄不斷更新，強調數據操作的原子性、一致性、隔離性和持久

232、性來完成線上化流程，以及面向局部數據的多維度查詢統計進行數據庫或者數據倉庫的建模，這個是我們說的信息化完成的過程。在這個階段，企業的計算機能力、運算能力以及存儲能力有限，因為當時的大數據技術還沒有發展到現在這樣的高度，因此在 IT 建設時更多是基于單體業務，面向數據操作層面的，數據因為沒有被拉通，不利于進行多維度的數據分析和數據挖掘。這個階段企業很容易走到一個誤區，很多情況下可能存在見招拆招的技術手段，比如兩個業務系統，基礎人事系統和薪酬系統之間產生系統打通的需求時，這個時候企業可能會采用“挖洞”的方式，即兩邊系統各建 API做數據交互進行系統打通，這是早期的做法。后來會發現，這樣點對點的數據

233、交互方式會形成一張蜘蛛網，在后期的治理存在較大麻煩。因而在后期數字化階段數據中臺的技術方吳雅明首席信息官 FESCO案才會出現，將所有業務領域的數據全部拉通到數據中臺，在數據中臺里進行層次性的數據治理，這才是我們說的數據拉通，而不是單個業務線之間相互勾兌的拉通。那么到了數字化階段，它的主要工作是實現各個業務領域數據的整體拉通，通過后來出現的大數據技術，以空間換時間，通過網格化、并行化的彈性計算能力，把數據輸送到分布的各個計算單元并行地進行計算，構建拉通各個業務領域數據的標簽層和數據集市，幫助管理者跳出單個業務領域，從更高的維度空間洞察運營管理。例如，在人力資源行業中，人力資源運營管理中的如銷售

234、、財務收支、人效考核等經營指標層面的分析，就是我們說的第二階段。只有經過 2.0 階段的建設，對數據進行治理以后，把線上化的數據沉淀到數據中臺，形成多維度的指標性數據之后，數據才有利于被分析。同時也能把各個領域割裂開的數據煙囪，通過建設數據倉庫、標簽庫、數據集市等，把各個領域的數據拉通到了一起。第三個階段也就是智能化階段是基于統計學發展起來的機器學習技術，對于海量的樣本數據，在一個空間里面，經過不斷的算法的迭代，最終獲取一個有回歸或者分類能力模型來實現所謂的預測，典型的場景包括招聘產品中的人才畫像和人崗自動匹配；福利產品中的推薦引擎；靈活用工對于用工規模的預測、智能排班；政策產品中的政策智能問

235、答、政策推薦等。如何開展數據治理工作 如何考慮人力資源數據與系統、流程、人員的關系第一階段數字化的現狀是什么，是企業在不同的歷史時期，針對自己當前業務的痛點，以業務為導向的，實現業務增長，實現業務的流程化、線上化的訴求去對單個業務做 IT 的建設，大部分企業當前已經能夠達到這個階段。但這些數據最大的問題是數據是單個割裂的，沒有被拉通，因此這些數據不利于被分析被挖掘，這就是我們說的信息化的現狀。那么在各個階段中，企業該如何考慮人力資源數據與整個系統、流程、數據流、負責人員方面的關系和布局？從人力資源行業來看，大家都在做組織結構的變革以適應數字化的轉型，大部分企業他們最后一個方案都人力資源數據運營

236、與管理72是把企業分成前臺、中臺、后臺，按照這個邏輯來說的話，人力資源行業服務的受理和交付，我們稱之為前臺；人力資源服務即產品業務稱之為中臺；運營、財務、HR 稱之為后臺。那么 IT 它實際上需要建設一個靈活的把各個業務 SOP、運營指標、財務標準化體系、組織架構以及考核體系能夠映射到數據存儲上的數據收集、清洗、分發的體系工程，并且這個體系性工程在做的時候，一定要建設得相對靈活。因為數據和系統本身不是一對一的關系，不是因為有了這個系統，所以要針對系統建設數據，而是系統產生的數據能夠表達成什么顆粒度事件。當系統產生細顆粒度的數據，要先通過事實的方式，如實地把數據記錄下來，形成最原始的數據。再將這

237、些基于事實的、細顆粒度的、在業務過程中產生的數據，通過標準化的篩子篩成不同的數據視圖（標準），比如財務標準化憑證、績效考核體制體系，經營指標分析的各種報表。從數據的收集、分發、數據加工到最后的數據存儲，這幾個過程不是一氣呵成的，不是從系統到數據存儲之間的端到端的管道，否則整個數據處理鏈條就會顯得特別僵化，無法適應外部條件的變化，因此，只有在數據管道里的環節建立多個層次，才能使得數據治理適應各種變化。但這里面的重點不是技術，而是要對業務有足夠的了解，需要充分了解業務后才能把經濟事件定好，IT 工程師才能根據經濟事件去系統里采集數據、進行加工和存儲。如何做好數據的清洗和治理如何做好數據的清洗和治理

238、，第一，是標準的問題，數字化轉型內很重要的環節就是 IT 如何與業務進行高度融合。一開始發現問題的往往是 IT 團隊，他們發現業務不明確、標準模糊，標準無法落地，這個時候 IT 無法實現系統的設計，因此需要將這樣的“聲音”傳遞到業務側，這是反向信息傳遞的過程。以往通常是業務側有需求時，會尋求 IT 團隊進行落地。在數字化轉型的過程中，IT 更具備體系化思考問題的能力，因此在現場中會很快發現業務上的問題并傳遞給業務側。這其實反映了通過技術驅動業務標準化或者業務數字化的過程，這個過程就是IT 和業務的融合。那么這個時候需要企業管理者更快一步了解情況，或者通過事先做一些工作，比如成立專門的組織，通過

239、組織形式推動更快速完成。第二，這不是 IT 單一的工作，需要運營、財務等一系列單元協同推動事情完成。第三，在這個過程中要兼顧現狀，在做整個數據治理的時候，不能讓業務陷于停滯，要兼顧正常的生產保障，不能追求一步到位，因此在這個過程中要注意把握節奏。第四，數據治理是一個持續的工作，沒有終點，且是螺旋式向上的過程，只是每年做的重點，每年的規模和范圍不同，但是數據治理工作是一個持續性的工作，而非有周期的項目，因此需要有一個常態的部門或者組織推動事情能夠被持續不間斷地經營下去。第五，在數據治理過程中，數據安全非常重要，尤其是人力資源的數據安全，例如個人信息保護，尤其當個人信息保護法出臺后，明確說到對于個

240、人數據不可以過度利用，那么如何界定過度，需要人力資源行業里的從業人員進行更準確的理解與定位。如何統一數據口徑數據口徑的統一不是 IT 技術問題，它需要財務、運營、IT 和 HR 等部門都參與，統一標準和流程。這本身是企業經營的“內醒”過程，即倒逼企業經營者發現哪些方面不夠清晰，首先要有這樣的動機。其次，需要有制度保障，即要有相應的績效考核指標促成各業務部門對此的重視。企業能做到價值觀上的統一最好，但由于每個部門的訴求不同且各部門可能都有惰性，因此，企業可以依據自己的方法論做矩陣型組織，臨時性組織或工作組等，幫助大家坐下來去拉通數據口徑，且通過績效考核的方式促成事情達成。進入數字化和智能化階段需

241、要具備的條件企業要進入數字化和智能化的階段，有一些共通的基本條件。首先，要提高全員對數字化的認知，認知的提高是首要條件。其次，企業要提高整體的數字化技術能力和手段。最后，要解決整個企業內部結構化的問題，就是數字化轉型里涉及到的組織架構，包括業務架構、IT 架構等。具體到數字化階段的挑戰，首先數字化階段更多解決的是內因問題的結構化改革。數字化階段注重的是數據的打通，那數據在不同的業務單元中如何打通？若整體的業務架構和組織架構不發生變革的話，是很難打通的。這個時候就牽扯到整體的組織和業務架構重新定義的問題，不是到單一的點上做的工作，而是更深層次的結構化改造。智能化階段除了以上的內容，更強調企業成本

242、優化、產品創新、精準營銷、用戶體驗升級等關于經營管理決策方向上模型和算法的能力，這是一個數據能力內化的過程，需要企業有專業的數據科學團隊以及工具集。The Operation and Management of People Data73人力資源智享會（HREC）是高端、專業、廣具影響力的，面向中國人力資源領域專業人士提供會員制服務的企業。截至2020年6月30日：智享會付費會員企業超過 3,800 家，已經進入中國的世界500強和福布斯全球2000強企業中，超過90%的企業享受智享會的各項服務。智享會的產品和服務覆蓋人力資源全領域，且形式豐富、立足前沿、全方位滿足人力資源人士的“學習需求，采

243、購需求，激勵和認可需求”。智享會滿足學習需求 線下學習渠道：每年1.舉辦超過40場的大型年會及展示會；眾多細分領域的品牌盛會已深入人心，成為專業人士學習前沿趨勢、優秀實踐的首選。2.14場標桿企業探訪帶您深入剖析領先企業的優秀人力資源實踐。3.覆蓋人力資源各模塊、領導力開發和軟技能發展的超過100場的公開課培訓和內訓，提供會員企業一站式的學習解決方案。4.Member Bridge一對一會員對接服務,每年幫助超過200家會員企業對接搭橋，促進企業會員之間的深度交流，滿足會員之間經驗分享的需求。線上學習渠道：1.70+空中課堂直播和錄播：平均每月6 次，每次1-1.5 個小時，足不出戶地進行更有

244、效率地學習。2.HR 線上專題視頻課：每一門專題課150-300 分鐘，5-8 個模塊。3.云上嘉年華系列：為期2-3 天的全天線上不間斷直播，覆蓋學習發展、薪酬福利、數字化等細分主題。深度學習渠道：1.12+權威研究報告，200+中國本地實踐案例，覆蓋人力資源各個領域：管理培訓生項目、人力資源共享服務中心、人才管理與領導力發展、藍領員工管理、社交媒體與人才招聘、校園招聘、在線學習與移動學習、人力資源業務伙伴、變革管理、人力資源數字化轉型、彈性工作制與靈活用工、企業績效管理改善與優化、企業員工健康福利與健康管理等等，提供人力資源行業的洞察分析、前沿趨勢以及優秀實踐分享，幫助人力資源從業者做出科

245、學決策。2.6期 HR Value會員通訊內參兼具理論性和實踐性，堅持原創內容。智享會滿足采購需求1.線上供應商采購指南（The Purchasing Guide），基于行業內上千位人力資源專業人士的用戶真實評價形成，幫助人力資源從業者在采購服務時節省時間、降低風險，輔助你精準定位出適合自己的乙方服務。2.智享會每年在中國主要城市舉辦覆蓋學習發展、招聘任用、薪酬福利、人力資源技術各主題的大型專業研討會和展示會，吸引超過500+中國最頂尖人力資源服務機構和解決方案供應商，全面滿足會員企業采購需求。3.智享會會員共保池，結合會員集體采購力量，降低保費。智享會滿足激勵和認可需求1.智享會以“匯聚優秀

246、企業，發現杰出實踐，引領人力資源行業發展”為目標，每兩年舉辦的“學習與發展價值大獎”、“招聘與任用價值大獎”和“人力資源共享服務中心”獎項評選，作為人力資源業界內的“奧斯卡獎”而倍受矚目。智享會遵循“公正、公開、公平”原則，邀請獨立的人力資源領域資深專家組成評委團，打造出專業、公平、公正的人力資源獎項，以激勵和認可行業中的優秀企業、優秀團隊、優秀人物。2.CHW健康工作場所認證：智享會（HREC）與多家健康領域的專業機構將聯合宣傳和倡導健康工作場所的認證，共同推進健康企業、健康中國。關于人力資源智享會欲了解更多詳情電話：021-60561858 傳真：021-60561859智享會官方網站ww

247、w.hrecchina.org 智享會官方微博：http:/ 智享會微信公眾賬號：HRECChina 人力資源數據運營與管理74研究院介紹與定位智享會人力資源實踐研究院關注人力資源熱點話題，每年為智享會會員呈現 24 份研究報告。數量：全年24份研究報告，涵蓋人力資源各模塊的熱點話題。類型：針對不同人力資源熱點問題，采用不同的研究方法并產出不同類型的報告 Benchmarking（數據對標）：針對市場的熱點問題，以數據對標為主的調研研究 Practice Mapping（實踐地圖）：梳理、總結和歸納人力資源某一特定領域最佳實踐的研究報告 Blue Print（行動藍圖）：針對某一人力資源實踐領

248、域，提供模型、體系及步驟性指導的調研研究 Trends Exploration(趨勢探索)：聚焦人力資源行業趨勢性話題，提供趨勢解析與洞察以及行動指南的調研研究 Deep Topic（深度話題）：深度話題研究，主要針對更為聚焦和精專的話題 定位：客觀、前沿、落地、專業 人員：10+位全職專業資深顧問，多年致力于人力資源行業性研究。智享會人力資源實踐研究院 招聘 招聘技術路線與效能提升研究報告 企業校園招聘實踐調研報告 企業入職管理與培訓管理實踐調研報告 社交媒體與人才招聘調研研究 人才發展與培訓 企業移動學習項目調研報告 企業內部講師團隊搭建與培養調研研究 中國企業國際化人才發展與培養實踐研究

249、 薪酬福利 企業員工健康福利與健康管理調研報告 企業高管福利管理與實踐調研研究 企業彈性福利管理與實踐調研研究 信息技術 人力資源共享服務中心研究報告 AI技術在人力資源領域的發展與應用研究 離職風險管理與流動預測研究報告 人力資源數字化轉型調研研究 People Analytics的發展與應用研究 人力資源信息化管理調研研究 其他 彈性工作制與靈活用工研究報告 HRBP能力發展提升研究 變革溝通管理實踐調研研究 企業績效管理改善與優化調研報告 企業工廠藍領員工管理狀況調研報告 廣受行業贊譽的旗艦報告The Operation and Management of People Data75FE

250、SCO 前身是北京市友誼商業服務總公司，成立于 1979 年，是國內首家為外商駐華代表機構、外商金融機構、經濟組織提供專業化人力資源服務的公司，開創了中國人力資源服務行業的先河。作為專業的人力資源綜合解決方案提供商，FESCO 以溫暖的服務與先進的技術，40 多年來一直為各種組織和企業提供全方位人力資源解決方案，推動著中外企業在華業務的快速增長，幫助國內外人才不斷提升價值。FESCO 擁有悠久的人力資源專業化服務歷史、豐富的市場經驗以及完備的服務資質，在業界極具競爭力和品牌價值，常年位列中國企業 500 強。40 多年來 FESCO 一直深耕人力資源服務行業，FESCO 一直深耕人力資源服務行

251、業，涵蓋用工管理、人事代理、商業外包、健康管理、財稅薪酬、彈性福利、管理咨詢、國際人才服務、高端人才尋訪等多重領域，堅持秉以匠人之心打造人力資源價值鏈上的每一環。目前，FESCO為來自上百個國家和地區的數萬家客戶、數百萬名中外人才提供著有溫度的服務。FESCO 服務的客戶涵蓋了信息通信、新能源、新材料、航空航天、生物醫藥、智能制造等眾多領域。未來，FESCO 將繼續通過服務、產品和科技創造價值，打造一個有價值的智慧人力服務生態，賦能組織和行業發展。關于FESCO客戶服務：400-8000-800產品咨詢：010-85692930官方網站：掃描二維碼關注FESCO官方微信公眾號人力資源數據運營與管理The Operation and Management of People Data 版權聲明 本調研報告屬智享會和 FESCO 所有。未經雙方書面許可，任何其他個人或組織均不得以任何形式將本調研報告的全部或部分內容轉載、復制、編輯或發布于其他任何場合。Copyright ownership belongs to HR Excellence Center&FESCO Reproduction in whole or part without prior written permission from HREC&FESCO is prohibited.