包含贷款等级分类hr的词条

序：在上一篇文章《HR的数据思维》里开了个头，谈到了数据思维和基本的应用范围，而如何将数据思维和数据挖掘、数据分析应用于更具体的HR六模块工作中，则是本篇文章将要谈到的内容——上一篇侧重于原则和基础，讲的是数据的意义以及数据对HR而言所带来的价值和作用；本篇侧重于策略和技术，讲的是如何采集和挖掘与HR六模块有关联的数据，并将数据进行编码编辑成信息Information，再将Information提炼为知识Knowledge，最后有些可以形成智慧Wise。但是篇幅所限，不会对所有模块或所有数据都进行深度挖掘和扩展，因为不想又写成系列文章，因为太耗费时间精力了，而我还要忙着业务开发与项目交付的事情，所以，请读者朋友们原谅！

一、将数据思维应用于HR管理领域的基本策略与注意事项

上一篇谈到了数据思维能给HR带来哪些价值，但没有谈到应用数据思维以及做数据采集和数据挖掘时的基本策略与注意事项；实际上，尽管有非常多的数据可应用于HR管理领域，但还有许多数据都是无用数据或弱相关数据，甚至有些数据是干扰项，而这些无用数据与干扰项，是每一个HR必须回避甚至是弃之不用的。所以，HR们需要在采集数据、分析数据、挖掘数据之前，明确一些注意事项并掌握一些基本的策略。

总体上，有三个基本策略与五个注意事项需要掌握，其中，三个基本策略分别是：

基本策略一：分析问题的基本策略是明确目的性、完整性、相关性和时效性

先说目的性。做任何分析都需要基于一个确定的前提：为了什么目的而展开分析？一个基本的常识是目的决定手段方法，如果没有明确的目的或者只是为了分析而分析，那么这样的分析将毫无意义，不过是将认知、了解事物的全貌扩大而已，但缺乏目标/目的的分析固然可以扩展分析对象的全貌，但必然会让视角过于宏大而没有边界、失去重心。因此，正确的起点是明确分析问题或事物的目的，然后根据目的来选择分析的维度与要素，其次才是选择分析工具及方法。

再说完整性。分析的目的决定了需要划定的分析所应涉及的维度与要素，是目的决定手段和边界范围，如果仅仅是为了某个特别明确的目的，那么分析所涉及的维度和要素相对就比较少。例如，想了解一个人的体型是否匀称，通常只需要了解TA的BMI指数，胸围、腰围和臀围即可，而不需要去了解TA的血压、血脂、血糖、血尿酸、心率；因此，对于分析判定体型是否匀称而言，BMI指数与三围就足够；其他的分析维度和要素，已经超出了体型匀称与否的范畴。

第三是相关性。如前所述，分析的维度与要素并非越多越好，涉及范围越大干扰项就越多而且会导致分析的难度和成本提高，如非十分必要则不必选择弱相关甚至是不相关的维度与要素。例如，招聘面试时，求职者的性取向、政治面貌和宗教信仰就属于不相关的维度，但对于某些特别的组织（如政府机构）和特别的职务（如军人、特工、医生），这些维度与要素就显得非常必要并且也与是否胜任是否匹配具有高度相关性。举个例子，面试官想要了解求职者相对完整的信息，而求职者的个人信息类型中，除了道德、法律等情况，最重要的是知识、技能、性格特质行为模式（素质，冰山模型的水面以下部分）以及求职者过往的业绩和履历；至于求职者的家庭情况、兴趣爱好、生活习惯，理论上与素质有关系，但毕竟是弱相关项所以就尽量不去询问（在美国，求职者与工作无关的个人信息如家庭、婚育、宗教信仰等不允许询问，否则涉嫌侵犯隐私或就业歧视，会被处以高额罚款甚至是入刑）。尽管国内尚未有相关立法，但在面试或给求职者做背景调查时务必注意规避此类可能存在的风险，此外，90后的自我意识和隐私意识比70后和80后高得多，此类与职位要求无关或弱相关的问题尽量别问，否则很可能会招致90后求职者的反感甚至是鄙视。

最后是时效性。相当多的数据与信息有时效性，并且有些时效性相当短。例如薪酬数据和岗位职责等信息，前者的时效性通常为一年，因此薪酬调查报告都是每年更新一次，而后者在互联网公司尤其是正在推进OD（组织发展）的公司，岗位设置和岗位职责的时效性通常还不到一年，原因也很简单：互联网公司开始重资产运营并加大业务的线下化，而传统行业则在开始轻资产运营的同时加速了业务的线上化，在业务模式调整和OD的进程中，势必会有大量的部门和职位面临重组，那么岗位名称与岗位职责的短平快调整也就再正常不过了。因此，分析问题和事物时需要特别注意时效性，否则过期的数据与信息只能让你作出错误的决策。

基本策略二：解读数据的三种方法有经验、专业知识、对标解读，可根据实际情况择其一或全选

同样一张X光片或彩超，一个入行一两年的医生和从业十年的专家所给出的结论很可能会截然不同，原因绝不仅仅是经验和专业知识，还与对标有关（不同病患个体之间的差异）。

用经验来解读数据是最简单的方法，尽管此种方法并不科学也略显不严谨，但胜在对操作者的要求很简单，只需具备在相关领域的丰富经验即可胜任此项工作。但是，在具体操作时还不能只依赖经验，还需要充分考虑分析的问题与事物所处的外部环境，尤其是地缘——例如，大城市尤其一线城市的平均婚育年龄大，所以30岁还单身的女性在诸如北上广深这些一线城市就很常见，而在三四五线城市则相对较少；因此，同样是招聘30岁左右的女性员工，在一线城市和三四五线城市所需要考量的侧重点通常就不太一样。总之，在依靠经验来分析问题和事物时，需要充分考虑地缘的差异、人口结构和经济环境，因为这些变量将会直接影响到经验的适用性。

用专业知识来分析问题和事物也是最常用的方法，但需要建立健全应用时的标准——知识本身并不会告诉你用来分析问题与事物时应该采取何种标准，只是让你掌握一种理论与方法，这个标准还需要自己来建立；或者将涉及的知识范围和深度进行扩展，形成更深层次和更具针对性的知识，或者可以称之为knowhow，即隐性知识。例如血压升高，除了疾病导致的高血压之外，人在受到惊吓、愤怒、紧张时，血压也会升高。要判定血压高不高，不能只盯着血压计，还需要充分考虑测量时被测者的状态。

对标解读也是最常见的分析问题分析事物的方法。例如，去分析公司的年度离职率，只静态的看数据没有意义，跟不同行业的公司对比也没有意义，要对标只能找同业领先的公司做对标才有意义，此为横向对标。还有一种对标是内部对标，即对比不同时期的数据，从中找出规律、评估数据与指标是在好转亦或是恶化。例如，餐饮业的员工流动性很高，平均达到30%以上，远高于其他行业。但是，餐饮业的标杆海底捞，其离职率不足10%，堪称业界奇迹。这一数据甚至比许多工业企业和高科技公司都要低。重点在于，导致餐饮业高离职率的原因有很多，而之所以行业平均达到30%以上的离职率而海底捞不到10%的离职率，背后的原因就不那么简单了，既有薪酬福利因素，也有企业文化因素和基础管理的因素，还有海底捞的业态不同于传统中餐的业态因素（火锅业态的标准化程度明显高于其他业态的中餐）。

基本策略三：在应用数据思维之时勿忘形象思维。

数据思维的优点很突出，如客观、理性、易于比对，但缺点也同样明显，如生硬、不直观、对专业有较高要求。因此，在分析问题与事物时，最好同时选择数据思维＋形象思维这两种方式。

以下图为例，同样一个人，用形象思维和数据思维来描述，给人的感受就不尽相同。

图一：数据思维与形象思维对比

「华为管理研习社」是一个专注于全面、系统、深入研究和分享华为的成功管理实践和经验的圈子，汇聚众多华为管理工作者、研究者和学习者，研究和分享最有价值的华为精选资料、华为公司文件、华为管理和华为研究专栏等，帮助圈子成员更高效、更全面、更系统地学习、研究和借鉴华为的成功管理实践和经验。

（此处已添加圈子卡片，请到今日头条客户端查看）

数据思维的应用需要具备一定的知识积累和训练，是专业人员分析问题、解决问题的重要方式，虽理性客观但冰冷且不生动，所以并不适合那些未经训练的非专业人士；而形象思维则源自生活经验与阅历，更多源自常识，很直观、生动也易于理解，但会因个人经验与判断力和审美的差异导致认知不统一，但适合所有人以及绝大多数应用场景。

数据思维与形象思维不是非此即彼的关系而是互为补充的关系。对于受过训练的专业人士而言，在应用时通常都会两种思维方式并用，因为这对事物、对象与问题的理解会更全面、更立体。

说完了三个基本策略，接着再来聊聊四个注意事项。

注意事项一：完整的数据思维是DIGIT＋TEXT，即数字＋文本，缺一不可

数字思维不是量化思维，而是DIGIT＋TEXT即数字＋文本的思维方式。只有解读带有文本、带有语义的数据才有意义，才是完整意义上的数据思维。其中，文本主要是指体现数据类型、属性、极性、强度的文字描述或文字概括，通常将此类文本称为指标，例如健康类（如血压、血脂、血糖）、经营类（如营业收入、净利润、人员数量）、管理类（如可靠率、合格率、误差率等），还有体现程度/等级的指标，如贷款五级分类里的正常、关注、次级、可疑、损失，并且，这五类文本其实都有相应的数字量化标准，而非定性标准。

在理解、描述和解决问题与事物时，文本与数据都不可或缺；只有文本则过于主观并且标准难以统一，只有数据则会有失偏颇且过于片面。

注意事项二：数据之间既有因果关系也有相关关系，而因果关系是重点

舍恩伯格在其著作《大数据时代》里专门谈到过，数据之间并不只是因果关系（如A决定B，B决定C），更有相关关系（如A的出现与B的出现之间存在相关性），但严格意义上说，因果关系才是重点。但是，舍恩伯格在此书中所表达的观点并未对因果关系与相关关系进行展开，只是偷了个懒不去探寻为什么，只是说明是什么（当然这种懒也是必要的，因为不必对过多的数据进行因果关系的验证）。

从亚马逊的图书搜索推荐（当当也是跟亚马逊学的）到沃尔玛将蛋挞与飓风来临时的防灾用品放在一起销售的案列。在这些例子里，蛋挞与飓风用品一起购买的关联行为就是“是什么”，舍恩伯格认为没必要了解为什么飓风来了美国人喜欢吃蛋挞，所以他将飓风和蛋挞这两个风牛马不相及的事物用相关关系来定义。但如果认真研究你会发现，其实之所以购买哈耶克《通往奴役之路》的读者通常也会购买凯恩斯的《就业、利息和货币通论》，是因为购买《通往奴役之路》的读者，通常也会补充了解在古典自由主义和自由意志主义思想之外，社会主义思想的异同与成绩：做研究与学习通常都会比对一种以上的思想流派，从中获得碰撞的灵感与启示。而飓风一来蛋挞就卖得好，其实是因为需要高热量食物存储在家里以备断水断电的紧急情况下的人体每日所需的热量摄入。因此，从实质上看，世间万物之间绝大多数都是因果关系，而相关关系虽然存在但毕竟很少，但优点是研究相关关系的难度、周期和成本远比研究因果关系要低得多。

在大数据时代，在信息技术和云计算如此发达的今天，就算不是用于大数据分析而是“小数据”分析，也不能只看因果关系而忽略了相关关系。

注意事项三：不唯数据论、不只靠数据思维来认知、描述与解决问题

判定一个人、一件事、一个物体好坏与否、适合与否，并不总是需要依赖数据，绝大多数时候人们都是通过生活常识和既有的道德准则和法律，或者是通过人类的本能。

例如，偷窃100元跟偷窃1000元都是偷窃，都是违法行为，我们不必去根据其偷窃的金额大小去判断行窃者是否违法；当我们感觉热了会脱掉衣服冷了会添加衣服，而不必用温度计测量环境温度；站在有护栏的楼顶天台时我们会感到害怕，而不必安慰自己说有围栏保护不必担心高空坠落。因为常识、经验、感觉、本能，都是我们简化后的判断方法和依据，而不必事事都依靠数据或指标。

注意事项四：充分意识到数据思维的局限性。

数据可以解释现象、阐明规律，但都是依托于历史数据；对于未来的趋势，虽然可以通过既有的数据，设计相应的算法进行预测，但不能忽视的基本前提是：外部环境、内部变量必须既定不变，否则基于历史数据和算法所得出的预测和判断极有可能是大错特错。

当前AI是个热点和风口，但应用还非常不成熟，例如你百度一种疾病，但搜索引擎可能推荐给你一堆莆田系医院的链接或者治疗肾虚阳痿的药物广告。而这背后，其实就是对数据的引用、对算法的构建存在大大的误区（或者是故意而为）。

上一篇文章《HR的数据思维》里谈到了IBM的知识管理模型，底层是DATA、之上是Information、再上是Knowledgez，最顶层是Wise。这四层从底层到顶层可以“进化”，也可以同时并存；如果缺乏data，那就用knowledge或wise来解决。经过挖掘和整理后的数据，可以形成信息；经过分类、编码和加工润色后的信息，能够形成知识；多样性和有深度的知识或经验，在一定程度上可以升华为智慧。数据、信息、知识与智慧这四者之间并不仅仅是递进关系，也可以是并行关系。总之，相信数据、挖掘数据、应用数据但不唯数据论！

二、应用于HR管理的主要范围概览

其实数据思维远不止是能应用于HR管理，企业经营管理的所有活动，大到战略决策、小到产品销售分析，都能应用数据思维。只不过杨老师是老HR，所以就只聊HR如何应用数据思维，否则篇幅太大。有兴趣的读者，可以借鉴并将数据思维的原则、策略、注意事项和基本方法应用到工作中和生活中。

从应用的难度和必要性看，除了六模块里的员工关系稍弱，数据思维在其余五个模块都有非常现实非常必要的应用，还有一个不属于任何一个模块但对HR和老板而言也非常重要的领域，即人力成本控制。所以在下文里，杨老师就系统的谈谈HR六模块的五个模块外加人力成本控制六个应用领域。

数据思维不是万能药，不能直接告诉你如何做招聘、如何做薪酬福利、如何做绩效管理、如何做人力资源规划、如何做培训体系建设，但数据思维本质上是一种思考方式和工作方式（类似于结构化思维），你掌握了它不代表你可以不去钻研和实践六模块的知识与方法，但可以让你的工作更有成效更有质量、让你的工作如虎添翼。

言归正传，先从招聘工作开始说起。

1、应用于招聘管理的最佳实践

在阐述如何将数据思维应用于招聘管理之前，需要先了解下这三个关键词：人均劳动生产率、离职率、费效比。

人均劳动生产率：是HR五定的起点 &衡量企业经营管理水平的重要指标

人均劳动生产率是一个非常重要的指标，不仅是衡量企业经营能力、管理水平的重要体现，也是做“五定”（定岗/定责/定编/定员/定薪）的一个重要依据。对于招聘管理而言，人均劳动生产率这一重要指标（含数据）的意义有三点：一是给人力资源规划提供标准，因为人力资源规划中会涉及人员结构与人员质量的规划，需要参考人均劳动生产率；二是给做定编提供依据，因为不考虑人均劳动生产率的定编及招聘会导致成本失控、冗员增加，降低利润率；三是给企业做转型升级和提供参照，因为转型升级成功的重要标志是人均劳动生产率的显著上升。

人居劳动生产率有两种数据口径，一个是销售/营业收入，另一个是利润额；两者都可以选取但如果是初创型公司，尤其是互联网公司和强调流量的电商公司，则不太适用利润额这组数据，用销售/营业额或者交易额会更恰当。

人均劳动生产率的计算公式很简单，即销售/营业额/利润额÷在编员工总数。

离职率：是综合性指标，能说明很多问题、还原很多信息

离职率是一个综合性指标，在本篇的上集里谈到了海底捞年度离职率低于10%的例子，很多人只看到了海底捞的离职率低，但却没看到海底捞为了实现健康可持续的发展和降低离职率，在基础管理、人力资源管理、产品标准化、企业文化、业务流程上花费了巨大的代价。同理，离职率是高是低本身并不是特别重要，重要的是通过对离职率的内外部对标（与领先同业对标&与自己不同时期对标）找出真正的问题，这个才是重点！

就像血糖升高，西医的观点是着手于降糖，但如果小伙伴们认识糖尿病患的话就知道，吃降糖药会引发严重的副作用，而且其实血糖并未降低而是被压制到了躯体的下部——测血糖如果测完指尖再去测量脚部的话，你会发现血糖数据会有巨大差异，因为血糖其实并未降低而是被转移了（或者通过尿液排出）。然而实际原因是：人体血糖之所以升高并演化为糖尿病，除了饮食与病理性原因之外，多数都与长期处于高压力环境有关。所以，控制血糖/糖尿病的重点不是降低血糖数值，而是改变环境、控制饮食、改变习惯。

同理，对于招聘工作而言，如果离职率居高不下，那么在招聘上下的功夫越多、投入越多，离职率依旧不会降低。我认识一个做连锁餐饮的老板，他公司的年度离职率保守估计应该不低于80%，而他还专门花费月薪12K的代价去请了个HRM来专门做招聘，但是那些离职的员工的薪酬普遍比同业低20%-30%，更麻烦的是他的公司基础管理和用人方面短板太短，所以不停的招人、不停的流失，是典型的用错误的方法手段去解决错误的问题。在我看来，他的公司只需要配备一个月薪6K的人事行政专员即可，然后给员工加薪20%、对员工不要那么狠，许多问题将会迎刃而解，同时，他公司的口碑也将大大改善。当然，这都是经过大量分析和测算后得出的结论，因为离职率高导致了太多太多的差错和损失，这部分的损失的金额并不比调薪增幅的成本高，所以怎么算都是合理的。

我认为现在有个很不正常的现象是：几乎所有企业都在招聘，但这些企业的业务量其实并没有明显提升。扣除掉由于新业务新产品的出现，以及互联网化、AI化所增加的一些岗位，其实大部分企业的招聘很可能都是有问题的（至少其中有相当大的一部分企业其实完全不必招聘）。对此，我始终保持高度警惕和质疑的态度。

杨老师给小伙伴们一个建议是：当业务部门跟你提招聘需求的时候，请你务必看看离职率和人均劳动生产率，有条件的话做内外部对标；能不招人就不招人，能内部消化就内部消化，因为始乱的结果一定是终弃，最后你要么做恶人要么就是误人！

年度离职率的正确计算公式是：（年度离职总人数÷年度最多时在编员工总数）×100%，注意哦，年度离职率是可以＞100%的，但不管什么行业，如果年度离职率大于60%就可判定这个公司很危险了！

费效比：

首先公司不是家、挣钱不容易！所以每一分钱都要花在刀刃上；其次，HR毕竟不是直接创造价值的部门而更多时候被认为是花钱的部门，所以只要是支出就一定要先分析合理性和必要性。

以招聘为例，其实招聘的成本非常高，绝不仅是广告费猎头费那么简单，还有面试官与测评人员的工资、招聘到岗后的学习成本、替代成本，以及各种难以计量的时间成本、机会成本和风险成本。

具体到招聘面试工作中，如果把上述可计量和难以计量的成本计算在内的话，如果不考虑招聘的合理性和必要性，只谈招聘的费效比的话，结合当前几乎全国全行业普遍面临的招聘难的现状，其实招聘与面试的成本相当高。如果把招聘和面试成本当做“拥有成本”，将入职后的学习培训、薪酬福利和工作差错、纠错纠偏成本视为“使用成本”的话，你会发现一个有意思的现象——好公司的“拥有成本”高但“使用成本”低，而差公司“拥有成本”略低于好公司但“使用成本”极高。此种现象与购车很相似：好车很贵，但故障率低、维修保养成本也低，而差的车看似购买价格低，但故障率高、维护保养成本高；算来算去，其实买好车的全寿命周期成本还是低于差的车，并且这里还没有把由于故障维修导致的拖累工作进度、影响正常使用的机会成本计算在内。

一句话概括：当人口红利消失、就业方式多元化来临，当全国和全行业的招聘成本都普遍攀升，控制招聘成本、提高招聘费效比的解决方案就不仅仅是将招聘外包给RPO或猎头，重点可能是如何提高员工的价值创造能力、如何提高员工尤其核心员工的胜任力与稳定性这几个方面。

所以，将数据思维应用于招聘虽然并不能够直接解决招聘问题，但至少可以让用人部门和老板们了解到招聘的真实成本究竟有多么高，有助于控制成本。

2、应用于人力资源规划的最佳实践

其实可以将人力资源规划简单理解为人力资源战略制订，尽管这么说并不严谨。而将数据思维应用于人力资源规划，主要有三个方面。

编制规划

前文谈到了通过人均劳动生产率来作为定编的重要依据，但在实际操作过程中，并不能够只看人均劳动生产率这一数据。对编制构成直接影响的要素里，除了人均劳动生产率之外，还有新业务与新产品战略，或组织与模式调整。简单理解就是：对于因推出了新业务与新产品的公司或有组织发展（OD）计划的公司而言，如果做编制规划（定编）时就需要另当别论——前者是因为新业务和新产品会有新职位的出现，编制规划正处于起点阶段，后者是因为OD会导致组织形式、管理方式、员工发展出现重大变化，而重大变化未完成时不宜做编制规划，即便做了也会与实际结果存在较大偏差。

但是，人均劳动生产率是一个公认的、综合性的指标，从数据思维应用于编制规划的角度考虑，可以采取“老业务老标准，新业务新标准”的方式来操作。此外，如果企业选择了将非核心业务非核心/非专业功能社会化，例如将财务、HR、法务、IT、市场、生产等功能外包（包括部门外包、职位外包、功能外包这三种）的话，那么即使其他条件不变，人均劳动生产率也会提高。

总而言之，数据思维应用于人力资源规划中的编制规划，主要着眼点是评估和参照劳动生产率这组数据。

人才结构规划

人才结构与行业和产品的科技水平存在强相关关系，例如高科技行业的人才结构就与劳动力密集型行业的人才机构存在天壤之别；同样，如果传统行业已经在实施转型升级，例如制造业往工业4.0上转型或推进智慧企业（Smart

Business，出自IBM提出的智慧地球，然后不断延展到智慧城市与智慧企业），又或者是互联网化的话，其人才结构也会出现较大的变化。

将数据思维应用于人力资源规划当中的人才结构规划，主要是测算研发、生产、供应链、营销序列的人员占比，进而为规划提供参照，而做结构规划的目的其实只有一个：通过对人才结构的规划，提高人力资源战略与人才结构能够与公司战略的匹配性，更好的支撑公司未来竞争与发展战略的需要，这才是关键！

例如，高科技公司（包含软高科、硬高科）通常研发人员会占员工总数的大比重，如华为在2017年的员工总数约18万，其中研发人员占员工总数的45%左右、近81000人，而一般加工制造业的研发人员占比可能5%都不到，并且，这些研发人员里可能绝大多数都是短平快、投入少、相对容易的开发研究，而非周期长、投入大但效用深远的基础研究与应用研究，但从事过研发的人都知道，真正决定一个国家、一个企业长远竞争力与地位的研发，往往是基础研究与应用研究。所以，从研发人员占比上可以看出一家企业是否有生命力、是否有可持续性；研发投入是一项高风险高投入且短期内看不到成效的投资，但也是真正决定企业生死存亡的投入，绝非那些短平快的营销投入可比。

供给侧改革的举措是三去一补一降，其中，一补是最关键的环节；在9月18日此次李总在达沃斯论坛上的讲话，虽然暂停了社保新政的部分实施（保持现有费率不变），但本质上只是延缓了新政的实施时间，并未消除新政给企业带来的成本压力，最多只是留给企业更长的时间做准备。所以，固然增值税和社保费还有较大的下降空间，但这也给中国的诸多中小微企业一个警示信号：时间不多了，粗放式增长和低附加值产业已经难以为继，企业需要在产品含金量与科技含量上投入更多。

具体到中小微企业，可以折中一下：在应用研究（如新材料、新工艺）和开发研究（开发新产品增加新功能）上可以多一些侧重，弥补历史欠账，不要只想着依靠少缴社保或减薪来降低成本提高所谓的竞争力，因为这种模式已经走到尽头。那么，对应到人力资源规划中的结构规划，杨老师认为，HR们可以给老板一些建议，让老板不要只想着压缩成本而是多思考如何提高产品的技术附加值。因为即便是传统行业，依然有许多创新点：例如保鲜盒所在的塑料五金制品行业算是一个特别不高大上的行业，但依然有膳魔师、象印、乐扣乐扣、特百惠等高端品牌，将国产品牌跟这些品牌对比你会发现，在设计、做工、材质、功能、界面（用户体验）上，国产品牌的确还是存在不小的差距，但相比价格差距就小得多的多——而这些恰恰是本土中小微企业未来的盈利空间！

研发人员的占比，杨老师只查询到了部分高科技行业的STEM研发人员（ScienceTechnology Engineering Math的缩写，属于广义研发的范畴）部分数据，仅供参考。

图三：部分高科技公司STEM人员占比

人员质量规划（认证人才密度规划）

人才质量规划的目的在于通过提高企业核心人才的密度，进而提升企业的科技含量与产品附加值，从而培育并提升企业核心竞争力。但是在开展人才质量规划之前需要先完成两项工作：一是定义人才的标准，二是确定人才的密度。

先说定义人才的标准。人才的标准绝非学历和学位，更不是职称或证书，虽然有国标和行标可供借鉴，但由于企业千差万别，所以人才标准的认定更多时候只能通过建立企业标准来实现，例如通过建立健全任职资格惯例体系来定义人才；如果实在无法建立企业标准，那么可参考一些业界通用的行业标准或惯例，例如研发人员在SCI期刊上发表过多少篇论文、有无专利或发明等等，这些都是可查的资料，也具备较高的可信度。

其次是确定人才的密度。确定了人才的标准之后就是确定人才的密度，但人才密度既无国标也无行标和企标，但是人才密度越高越好这个是公认无疑的。但人才密度越高意味着企业的投入也就越大、管理的难度也越大，因此，企业可以采取简单的办法来处理——先设定一个理想值，例如最终实现60%的人才密度，而当前只有10%，那么可以按照年均增长10%的目标来制订相关工作计划，并从营业收入中抽取若干比例用于人才的开发与获取，这个可借鉴华为的做法，每年从营业收入里抽取15%（或者更高或者更低，结合企业实际能力）作为研发投入，持续不断的提高人才密度进而提升企业的科技含量与产品附加值，从而提升竞争力，实现真正的长治久安。

人才质量规划还有许多后续工作需要开展，详见下文的员工培训开发章节。须要澄清的是，人才质量的提升既可内部挖潜培养也可外部引进，通常都是双管齐下而极少有企业采取单一措施，而绝大多数行业标杆的做法都是内部挖潜培养为主、外部引进为辅。

3、应用于绩效管理的最佳实践

将数据思维应用于绩效管理，应用对象是个人与公司，方式则是通过简历绩效台账让价值评价工作更加客观更加便捷，目的是与公司经营管理对接构建完整的绩效管理闭环。

建立绩效台账是为了留存记录，便于绩效追溯和绩效面谈

任何一家企业在经营管理活动中都会生成大量的各类数据，而统计、记录这些数据尤其是个人绩效与公司绩效的数据，不仅可以应用于价值评价和价值分配，还能起到重要的绩效追溯与绩效面谈作用——考核不是目的，激励员工与高管更好的完成业绩目标才是目的，而如果没有完整的绩效记录没有完整的绩效台账，则很难有针对性的开展绩效追溯工作，而绩效面谈也容易流于形式。

尽管绩效考核不只是定量这一种，还有定性考核（如安全生产、重大违规违纪行为等定性指标），但绝大多数考核都是定量并且在相当程度上，定量是驱动定性的关键。因此，建立绩效台账的重要性不言而喻。不过，需要注意的是，企业在设计优化绩效管理体系时，需要将绩效指标进行充分的结构化，对其进行分类分组，并完善计算公式以及数据来源；否则起点有问题，后续的应用就难以实现。篇幅所限，关于绩效指标的设计、数据来源、计算公式，已经不是本文的内容故在此略过。

将绩效台账与经营数据和管理数据做交叉分析，从中找到改善点

如前文所述，数据之间并不只是因果关系（如A决定B，B决定C），更有相关关系（如A的出现与B的出现之间存在相关性），但因果关系才是重点。对于企业的各项经营管理活动，亦同样如此。管理活动驱动经营活动、经营活动影响管理活动，彼此互为因果互相关联，并且最终都会体现在数据体现在报表上。

有了清晰完善的数据台账，能记录下公司级、员工级的绩效指标后，就能将绩效台账里的各类、各项绩效记录与经营活动和管理活动相关的数据进行交叉分析，并从中找出因果关系或相关关系，而这些函数关系恰恰可以帮助各级管理者找到改善点，为经营管理活动的持续改善奠定基础。

例如，由于操作未按规范、出现违规行为，并且被记录下来之后，会形成绩效记录，同时，由于操作不合规导致了某一批次的产品出现瑕疵，最终体现在一次合格率的降低；这两组数据，虽然都可能是某岗位员工的绩效指标，但对公司或部门而言通常会更加关注一次合格率这一指标，而其实这两组数据/指标之间其实存在着因果关系。找到导致一次合格率降低的原因之后，就可着手去改进。

类似的例子还有很多，将数据思维应用于绩效管理远不只是考核方式与计算那么简单，而是将企业日常经营管理活动中的各类各样数据进行分类并筛选，并将这些分散在各处的数据应用起来，将绩效管理扩展为目标管理的大闭环，这才是将数据思维应用于绩效管理最大的意义。

4、应用于薪酬福利管理的最佳实践；

薪酬福利模块里有大量的数据，所以是HR最经常应用、也是数据思维的应用范围最大、应用深度最深的模块。其中，应用于薪酬福利管理中，最主要的目的是分析和设计四个重要的方面，即总额、比率、科目/结构和效用。

统计分析总额的意义在于对绝对值进行内外部对标并从中找到差异

只看薪酬福利总额而不看其他数据的话，得不出任何结论。员工数量、所处行业和薪酬水平是决定一家企业薪酬福利总额的最重要的三大因素。例如，一家50人的连锁餐饮公司在6月份的薪酬福利总额有30万，而一家同等人数的软件公司的在同月的薪酬福利总额可能就超过120万，相差四倍、完全没有可比性。

但是，这家50人的连锁餐饮公司可以跟相近人数的其他餐饮公司对比，从而了解薪酬福利总额与员工离职率之间存在的关系，也可以跟3月份的薪酬福利总额和员工离职率做比对，通过这若干组数据之间进行交叉比对从而找出潜藏的问题。同理，这家50人规模的软件公司也可以进行同业的外部对比，也可以用于历史对比，从中找出端倪。

薪酬福利的总额很重要，但做薪酬方案设计和优化绝对不能只盯着总额，在总额之外还有太多的其他类型数据需要分析对比。此外，做薪酬福利的总额分析，还可以只针对某些特定的序列和群体，例如营销序列、研发序列、技术序列，或者只对部门经理或高层，进行薪酬福利总额的分析；这么做的目的是将分析的主体从公司转变为某个特定的群体，针对性更强，而且工作量和难度也会更小。

统计分析比率的作用是评价结构是否合理，进而为做方案设计提供参照

做薪酬福利的比率分析涉及的数据有很多种，其中，做比率分析用的最多的有三个口径：薪酬福利总额占企业成本总额的比率、薪酬福利总额占企业总营业收入的比率、不同科目的薪酬福利占薪酬福利总额的比率。

众所周知，薪酬福利总额占企业成本总额/营业收入总额的比率，与企业所处的行业有密切关系。例如，高科技、互联网、IT等智力密集型行业，由于其具有典型的轻资产、重智力的特征，因此人力成本（主要是指薪酬福利成本）是最大的成本项。而装备制造业等重资产行业，固定资产摊销折旧、原材料等科目通常为最大的成本项。因此，假设同样都想做成本优化，那么这两个行业的成本优化策略与重点必然就有诸多差异。以目前成熟的解决方案来看，装备制造业的成本优化方案通常可选择提高自动化程度、优化供应链、优化业务流程等组合拳来降低成本，而智力密集型行业通常会采取将非核心职能与非核心事务外包，进而减少人员编制、降低人力成本这个最大的成本项。财务外包、IT外包、HR外包、法务外包（有全部外包、部分职能外包或者职位外包三种），甚至近年开始兴起的营销外包（众包或委托给专业营销机构），都是目前比较成熟的成本控制方式。

不同的薪酬福利科目/结构在薪酬福利总额里的比率各不相同，例如基本工资、岗位工资、年功工资、加班工资、绩效工资/奖金、职位补贴/津贴、五险一金等，基本工资和岗位工资通常对应职位等级（有些企业将基本工资与岗位工资合并为岗位工资或基本工资），而有些企业则没有加班工资。是否设置这些薪酬福利科目/结构和比率，不仅要考虑这些科目/结构各自对应什么目的，还可以在一定程度上改善薪酬过于刚性的弊端。

同样，在人力成本费用科目里，不同的科目分别对应不同的人力资源事务，例如招聘。有许多企业在解决缺人问题时都会陷入一个误区：用过多的精力和代价在招聘面试上，而本该及早弥补的短板（如薪酬水平、团队氛围、管理水平）却迟迟不着手解决，结果不仅导致了人员大量招聘入职的同时大量流失，让公司高层和人力资源部被招聘工作占据大量人力财力精力，还给公司的口碑造成了很坏的影响，结果人越招约少、流失率越来越高，陷入恶性死循环。相比之下，那些独角兽、头部公司和行业标杆，表面上看起来招聘难度低、更容易招到优秀人才是因为这些公司具有光环效应和名声，但实际上是因为这些公司的人力成本费用都花在正确的地方——相对较高的薪酬水平、健全的培训体系、规范高效的管理水平。这些人力成本费用投入之后不会马上见效，但优点也很突出：效用持久、边际成本低，而且会形成积极正面的良性循环。遗憾的是，许多企业的HR都没有建立起相关的人力成本费用台账，未对与HR相关的各项事务进行数据分析，自然也无法找到问题的根源，也无从谈起用正确的方式来解决正确的问题。因此，统计薪酬福利与人力成本科目的各种比率，对企业的薪酬福利方案设计优化、乃至企业的整体运营管理改善而言就显得十分必要和重要！

统计分析科目/结构是为了提高薪酬福利的吸引、保留和激励效果

前文谈到了薪酬福利的科目，但在开展薪酬方案设计优化时，薪酬福利的科目就不止上文所列的那么几项，还会有更多类型和科目。通常，从薪酬福利的三个目的考虑，通常都会包括若干种薪酬福利科目，见图二：

图三：各结构的效用及影响对比

钱和钱不等价，不同的科目有着不同的效用，而某个科目的效用大小还取决于具体的数额大小。因此，从薪酬福利设计优化的目的而言，需要以终为始，根据目的来选择数据、根据目的来选择分析的口径和方法。

举个例子，大多数行业的营销序列职位，其薪酬结构里变动收入占据了相当大的比重，低一些能占50%、高一些的甚至能占90%（如房屋中介、售楼、保险代理与经纪），固定收入只占很小的比重。此种薪酬模式的优点是企业的刚性成本低、激励效果好，但弊端是员工的稳定性较低。如果想提高员工的稳定性，就不适合在变动收入的结构和比率上做文章，而是在固定部分收入的结构和比重上面下功夫（当然还有其他手段，此处不表）。总而言之，不同的目的会有不同的手段，需要统计和分析的数据类型也不尽相同。

统计分析效用是为了评估用于薪酬福利的效用/回报率，为薪酬政策提供依据

企业的每一项支出，无论是将其视作成本还是费用，都是为了获得回报。而回报既有经济回报也有非经济回报，如口碑、美誉度、知名度、员工稳定性等等，并且最终，这些非经济回报最终都会转化和体现在经济回报上，两者的区别不过是周期与路径的长短不同而已。

以薪酬福利为例，首先调薪分为个调和普调两种；其次，调薪的目的也有降低离职率、提高满意度和提升激励效果这三种。那么相应的，是普调还是个调，是为了降低离职率、提高满意度还是提升激励效果，就需要做相应的调查。调查能得出离职率、满意度和激励效果的量化后数据（体现为比率而非绝对值），而薪酬福利的调整也有数据（更多是数额，是绝对值）。两类数据进行交叉比对、前后比对，就能相对比较可观的了解到企业所做的薪酬福利方案有没有达到预期的效果（预期值，是绝对值或比率）。但是，调查问卷的设计也是重点，如果问卷设计不当，就无从判断之前的状态和之后的效果，但这又是一个话题了，此处不表。

5、应用于员工培训开发的最佳实践

虽说培训是最大的福利，但这个福利并不是通常意义上的薪酬福利，而是作为一项用于改善人力资源质量、提高员工业务能力的投资。既然是投资必要要计算投资回报率，而培训这项长期投资，其回报率到底有多高，恐怕许多HR都很难在第一时间给出准确的答案，当然原因有很多，例如计量口径、计量周期，以及需要与其余HR模块的各项数据进行交叉分析才能计量，否则培训投资回报率也无从计算。

需要注意的是，将数据思维应用于员工培训领域，主要是从两个方面进行效果的评价，并根据得出的统计数据进行调整；这两个方面的目的不同、

一是培训出于的维持性的目的，旨在让员工认同企业

无论是通才教育还是职业教育，都无法满足所有企业的需要，员工进入一家新公司或者调整到新岗位上，都会需要一定时间去适应和磨合，而承担此项职责主力的只能是企业而非员工。例如到了新公司，需要熟悉新公司的企业文化和规章制度，或者调整到新岗位之后需要接受新岗位必备的培训。

此类培训并不能够让员工变得更优秀或更能干，最多只能让员工提高人岗匹配度和适应度，并且此类培训不同于岗位的专项技能培训（包括通用技能和专用技能），投入越多并不会产出越多，甚至有时候投入与产出在达到某个临界点之后呈现出负相关关系——培训越多业绩水平越低，或培训越多离职率越高。例如具有洗脑色彩的企业文化培训，此类培训越多反而效果越差。

对于此类培训相关的数据，最佳实践是将其作为一项单列支出进行统计，并且只与离职率进行一段时间内的勾稽关系分析，如新人入职后三个月的维持性培训投资/离职率分析，这样做的好处是能够与增长性培训投资回报率区分，以更真实准确的评估培训工作的成效。

二是培训出于增长性的目的，旨在让员工具备更高的价值创造能力

为了提高员工的业务能力或价值创造能力之培训，是最常态化的一种培训，但是从实际情况看，此类培训通常不容易通过一两天的培训就能实现，无论是外部师资还是内部师资。其中既有课程设置的原因，也有员工能力分类分级量化与课程分级的问题，还有课程设置与评估的问题，但从数据应用的角度看，要准确评估培训投资回报率，最好先对员工的知识与技能进行量化。当然也可以简化这个过程，不对员工的知识与技能进行量化，而是简化为人均劳动生产率（可以是人均销售/营业收入，也可以是人均毛利润）。

至于计算公式，也很简单：选择某个周期（如年度、半年度或季度）的人均劳动生产率作为参数A，而同期的培训投资作为参数B，在培训结束之后的第三个月统计当期的人均劳动生产率作为参数C，最后再将函数AB与函数CB进行比对，就能知道培训投资回报率的前后变化。

统计培训投资回报率的公式是（培训投资÷人均劳动生产率增加值）×100%；其中，人均劳动生产率增加值=培训后三个月的人均劳动生产率－培训前的人均劳动生产率。这个公式最能衡量培训管理工作的成效，但要提高培训投资回报率却需要在许多方面做文章，此处略过不表。

6、应用于人力成本管理的最佳实践

将数据思维应用于人力成本管理会涉足许多专业的内容，不仅是人力资源管理领域，还包括研发、生产、供应链、营销等领域，话题太大篇幅甚巨。但从归口角度出发，此处就只谈应用于人力成本管理的三个注意事项。

注意事项一：人力成本相关数据很多但需对数据贴标签，细化数据挖掘的颗粒度

人员编制、薪酬福利水平、社保费率、员工技能、设备自动化程度、管理水平等诸多因素都会对人力成本构成直接影响，有些是强相关有些是弱相关；在统计这些成本项之前需要对其进行分类分级，并贴上相关标签，以便于归类统计。因此，贴标签的工作其实是数据挖掘的颗粒度细化，这项工作不难也不算繁琐，并且做这项工作的意义也不仅是控制人力成本，还有盘点家底的作用。

统计完所有人力资源相关的成本项并贴上标签之后，可根据其占人力成本的比重，挑选出占比排名前五位的成本项，这是人力成本管理的第一步；统计完之后对其进行分析改进，则是第二步工作。

注意事项二：挖掘数据不等于解决问题，只是提供分析判断的依据

数据只是一种表达式，其本身并不会告诉你人力成本控制的答案，但是能够让HR们以更直观的方式观察到人力资源管理工作的成效，为分析判断、找出问题乃至改善和决策工作提供依据。

所以，这些数据只能作为素材，要想将这些数据应用起来、让其发挥作用，则需要HR们对数据进行加工——构建起跨领域跨专业的函数，这才是数据思维应用于人力成本控制的重点。但这又涉及HR的知识结构、专业深度、社会阅历、工作经验，因为需要这些底蕴作为支撑，否则就算找到原始素材和海量数据也无从下手，当然也谈不上做问题识别与分析，但这又已经超出了本文讨论的范畴。

注意事项三：人力成本控制的重点是控编制，其次是找出和标注隐性成本项

即便不是社保新政，由于人口红利消失、就业方式多元化和产业结构调整的影响，人力成本一直在持续提升。对企业而言，降薪显然不是控制人力成本的好方法，而用的最多、副作用最小的当属控制人员编制（裁员也属于控制编制的一种，但太过被动且副作用大、成本高）。

人力资源管理的“三定”（定岗定责定编）并非一成不变，随着信息化水平与科技水平的提高，以及互联网化与智慧化的推进，“三定”工作甚至可以每隔一年做一次。我的个人观点是：宁可编制紧一些也避免满编更不要超编！

管理学家查尔斯汉迪说企业最好是一个人给两个人的工资干三个人的工作，虽然有些极端但可以提供参照借鉴。对于工作量并不那么饱满但又不得不做的工作，例如人力资源当中的员工关系、社保办理、薪酬发放，以及部分行政工作，要么集中到一个人身上去完成，要么就索性外包，这些都是很好的解决方案。

除了上述显性成本之外，企业里还会有许多看不见的隐性成本可供挖掘，例如沟通成本、加班成本、用错人的修正成本、会议成本、差旅成本等。这些隐性成本很容易被包括HR在内的许多管理者忽略，但如果能找出导致这些成本项发生的原因并着手解决，总体成本累积起来也相当可观。

结束语：《HR如何应用数据思维》到此也写了有近17000字，虽然已经尽量的展开描述但总觉得有些意犹未尽，所以，只能寄望于这个小系列能给所有的HR朋友们开个头、引起各位HR的注意吧——真正要应用的话，外延其实可以很大。但可以先从小的做起，先从HR管理专业做起，再逐步扩大到其他领域。数据分析与数据应用能力，在我看来，这是HRBP的职责所在，HR不应该只围绕着六模块来开展工作，你觉得呢？

文/杨钢老师

「华为管理研习社」是一个专注于全面、系统、深入研究和分享华为的成功管理实践和经验的圈子，汇聚众多华为管理工作者、研究者和学习者，研究和分享最有价值的华为精选资料、华为公司文件、华为管理和华为研究专栏等，帮助圈子成员更高效、更全面、更系统地学习、研究和借鉴华为的成功管理实践和经验。

（此处已添加圈子卡片，请到今日头条客户端查看）

欢迎你在下方「评论区」留言评论，也欢迎你分享转发~，期待你的互动！HR新知派，给你最专业最地道的人力资源管理知识、技能和资讯。欢迎关注订阅，第一时间获取最新资讯。