数据分析 - HRTechChina.com - 向上的力量！

数据分析

为什么预测分析（Predictive Analytics）是人力资本管理改变的关键？文/ Chiradeep BasuMallick 这是一个由数据推动的时代。对于人力资源专业人士来说，数据驱动的人力资源分析有助于简化战略规划，改善决策，使员工能够从公司更智能、更有吸引力、更高效的生命周期中获益。在这种情况下，预测分析可以改变核心人力资本管理(HCM)过程，如员工流失管理、员工情绪监控、人才获取和能力规划。通过预测人力资源分析能力，HCM解决方案将真正改变上述所有情况。让我们来看看几个关键的影响领域: 对员工进行剖析，并进行准确的分类有了大量关于技能、教育和背景经验的员工数据，预测分析可以帮助评估每个员工的准备程度。这确保了最适合的申请者被雇佣，新员工被分配到最合适的岗位。企业还可以了解哪些员工最值得拥有，并根据未来的结果预测，制定员工福利计划。管理员工流失率，衡量员工忠诚度通过预测性人力资源分析，人们可以建立复杂的模型，根据有关员工潜在流失的数据生成触发器。HCM解决方案通过将员工流失风险因素与绩效数据相结合，可以准确判断员工的工作效率，检查员工流失率，并专注于提高员工忠诚度和员工福利计划。预测能力和招聘要求人力资源分析可以通过对最佳资源可用性、需求可能下降或上升以及其他有用的细节进行正确的检查和平衡，从而确保人员配备。这也将有助于招聘团队掌握工作量，确切知道需求何时会激增，以及如何填补缺口。与此同时，由于准确的产能预测，您的员工也可以减轻工作负担。员工情绪分析到目前为止，这是人力资源分析最重要的益处。除了年度调查或反馈机制外，预测分析还能帮助评估员工对自己在公司的角色的看法。通过跟踪员工对不同话题的看法，跟踪他或她在社交媒体上的数据，绘制他们的绩效图，我们可以分析员工的动机商数，留在公司的愿望以及与企业目标一致性程度。然后，这将继续促进成果、精简增长、有利于重新调整员工福利计划，精简对核心业务目标的关注。结论——未知的领域和灿烂的前方道路对于人力资源团队来说，对预测分析如何帮助日常任务分配感到有点不确定是很正常的。然而，今天，全面的HCM解决方案必须包含这些关键的预测分析组件，帮助揭开高度复杂和竞争激烈的市场的神秘面纱。最后，预测性人力资源分析将创造有意义和令人满意的员工体验，带来真正的长期利益和关系建设。以上为AI翻译，观点仅供参考。原文链接：Why Predictive Analytics is a Game Changer for Human Capital Management

数据分析
2018年09月28日
数据分析

LinkedIn推出Talent Insights，正式涉足商业智能领域文/Ingrid Lunden LinkedIn ，一个专门发布个人或组织专业档案的公共网站，人们将其视为网络招聘的起点，如今这项服务已经吸引了超过5.75亿用户，2000万家公司和1500万活跃职位列表。但现在在微软的所有权下，该公司已经开始越来越多地构建其它服务; 今天看到最新的服务是它们推出的一个名为Talent Insights的新功能。 Talent Insights之所以重要，部分原因在于它是LinkedIn首次涉足商业智能。作为该企业分析的一个分支，它旨在帮助高管和其他企业最终用户做出更明智的业务决策。此外，Talent Insights值得注意是因为它是趋势的一部分。LinkedIn已经推出了许多其它服务，使其不仅仅是一个单纯的社交网络，而更多的是IT生产力工具。它们为用户提供了一种查看和计划前往潜在工作（或其它业务）的通道; 与Microsoft软件集成，包括与Word 和Outlook中的简历构建集成 ; 并在其Sales Navigator 产品中添加更多CRM工具。有趣的是，距离LinkedIn 首次宣布Talent Insights 到今天实际推出已有一年。该公司表示，部分原因在于期间一直在修补它的缺口以使产品完善：它一直在与众多客户间进行测试——现在有100个使用Talent Insights——比如在人力资源、招聘和营销等部门工作的员工。今天推出的产品大致类似于公司一年前预览的产品：它有两个部分，一个专注于公司人员，称为“人才库”，另一个专注于公司数据，称为“公司报告”。其中第一项将允许企业在LinkedIn数据库中进行搜索，以发现那些与企业已经招聘过的人才特征相似的人才，并找出他们目前的位置（就位置和公司从属关系而言），以及他们动向，他们可能有什么共同的技能，以及如何更好地发现那些拥有所有这些特征的人。第二组数据工具（公司报告）提供了类似的分析概况，比如关于您的组织以及您希望在相关教育水平和相应劳动力学校等领域与之进行比较的组织; 员工拥有或不拥有的技能; 等等。运营Talent Insights的高级产品经理Dan Francis在接受采访时表示，目前用于为Talent Insights提供支持的大部分数据主要来自LinkedIn本身，尽管还有其他数据来源，例如来自劳工统计局的材料。（事实上，即使是LinkedIn的其它一些数据库，例如在其招聘列表中，甚至在其新闻/内容播放中，填充两者的材料都来自第三方。）他还补充说，让公司提供他们自己的数据来使用数字运算——无论是他们自己的报告还是其他公司的报告 - “在我们的路线图中，”表明LinkedIn看到了这个产品的一些进程。添加更多数据源也可以帮助公司显得更加公正和准确：虽然LinkedIn在专业配置文件方面是庞大的，也是同类信息中最大的信息库，但它并不总是准确的，比如在某些情况下可能完全受过时了或故意误导的信息影响。（相关：LinkedIn还没有为人们发布任何“验证确认”的个人资料，例如你在Facebook或Twitter上发布，以证明他们是他们所说的人，他们在工作的地方工作，以及他们的背景这是他们声称的那样。我猜测可能是如果是错的，以明确的方式验证一切是非常困难的，所以LinkedIn依靠公众监督的力量来保持人们的诚实度。） “我们对此非常透明，”Francis说。“我们并不认为这是一种全面的产品，但它是一种代表性的样品。在确保数据质量良好方面，我们非常谨慎。我们知道有时数据并不完美。在某些情况下，它是方向性的。“ 以上为AI翻译，观点仅供参考。原文来源：LinkedIn steps into business intelligence with the launch of Talent Insights

数据分析
2018年09月26日
数据分析

名企都在用的5种HR数据分析文| bernard marr HR数据提供了一种方式，使我们可以做出更好的与人相关的决策，更深入地了解员工的感受，并提高绩效。让我们看看人力资源团队通过数据分析增加价值的一些出于意料的方式。寻找令人兴奋的新招聘渠道我最喜欢的例子之一来自沃尔玛对数据分析师的创造性搜索。他们不是通过传统渠道进行广告宣传，而是在Kaggle上提出挑战。 Kaggle是一个众包的分析竞赛平台，“扶手椅数据科学家”将其技能应用于公司提交的任何分析问题。那些在沃尔玛的数据挑战中表现出色的人在该公司获得了一份工作。根据沃尔玛技术部门的高级招聘人员Mandar Thakur表示，由于这次挑战，有几个人被聘请加入沃尔玛分析团队，其中包括沃尔玛技术部。如果根据他们的简历，招聘部门则根本不会考虑采用他们。在赛车运动的世界里，日产也通过一个不寻常的渠道招募：赛车视频游戏！日产与索尼合作创建GT Academy，这是一项全球性年度比赛，旨在发现最佳游戏车手，并将其变为真实的赛车手。每年都有数十万的人希望参加比赛。所有在过去几年中脱颖而出的获胜者仍然在比赛，这证明了日产的这种招聘渠道是有益的。人力资源团队的外包：不要等待最好的人才主动敲门。找出你理想的人才留在哪里，并将你的招聘工作集中在那里。参与和激励员工行为分析公司Humanyze提供的电子徽章可以捕捉员工对话中的信息，包括对话的长度，涉及的语气，人们打断的频率，表达移情的程度等等。一家大银行利用这项技术注意到，其表现最出色的呼叫中心工作人员是那些一起休息并集体放风的人。基于这些知识，银行实施了群体休息政策。结果？员工的绩效提高了23％，压力水平下降了19％。此外，IBM使用情绪分析来收集员工帖子在其内部社交网络平台上的见解。例如，当IBM正在检修其绩效审核系统时，该公司转向内部网络，要求员工对新审核系统的想法提出反馈意见。他们收到了数以万计的回应。使用Social Pulse文本分析软件，IBM表现出一种普遍的担忧：员工不喜欢他们的日常表现被曲线分级。得益于数据和分析，公司能够及时采取行动，并在绩效评估中对此方法进行折扣。提高员工的安全和福利钢铁生产商North Star BlueScope Steel一直与IBM合作设计一项安全计划，该计划将IBM Watson的认知计算能力和传感器整合到腕带和头盔中。这个名为IBM Employee Wellness and Safety Solution的项目实时向工人和主管提供安全警报。例如，如果技术检测到工人没有移动，并且他们的心率和高温增加，这可能意味着他们正在遭受劳累或者甚至是极度高温的压力。在这种情况下，可以提醒主管，或者建议员工休息一下。在另一个例子中，澳大利亚Seeing Machines公司开发了采矿卡车技术，跟踪驾驶员的眼睛，以便发现驾驶员的疲劳。该系统使用摄像头，GPS和加速计来跟踪眼睛和眼睑的运动，例如司机眨眼多久，眨眼持续多久以及眼睑移动速度有多慢 - 即使司机穿着它也可以做到这一切墨镜。当驾驶员闭上眼睛的时间超过1.6秒时，卡车内会发出警报 - 座椅内部产生噪音和振动。然后，如果再次触发警报，则会通知调度员或主管，以便他们可以通过无线电与司机联系。人力资源团队的收获：技术，特别是传感器，已经帮助工作场所更安全了很长一段时间 - 想想烟雾报警器，安全和进入系统等。但现在，由于大数据和分析，公司能够将员工安全提升到一个全新的水平。使学习和发展更有效随着在线学习的兴起，针对个人学习者，企业学习和发展日益变得个性化。在数据和分析的推动下，“适应性”学习技术允许对课程细分，以及对活动和试题进行个性化定制，以适应学习者的偏好，学习速度和最佳学习方式。个人在线自学也可以说比将员工从工作中抽出一天或一周时间带到昂贵的培训课程上更具成本效益。重要的是，像这样的自我导向学习有助于将持续发展融入员工日常生活中。达能的在线达能校园2.0就是其中一个例子。这家食品巨头创建了一个用户友好的在线平台，员工可以通过这个平台促进他们的发展并与其他员工分享最佳实践和知识。人力资源团队的外包：这一数据驱动的人力资源领域可能不如其他领域发达。但即使只是对目前学校数字化转型的一瞥，大学和高校也指出数据如何以令人兴奋的新方式促进企业学习和发展。驾驶表现......不疏远人 UPS已经将性能管理中的数据和分析应用到了一个全新的水平。例如，司机携带多年的手持式计算机（你签收的那些智能储物柜告诉你收到了你的包裹）实际上是一种复杂的设备，可以帮助司机做出更好的决定。例如，哪种订单能够以最高效率递送包裹路线。此外，UPS卡车配备了200多个传感器，用于收集数据，包括驾驶员是否系安全带，驾驶员有多少次需要倒车或掉头。通过监测驾驶员并在需要时向他们提供反馈和培训，UPS每年减少850万加仑燃料和8500万英里。另外，司机现在每天平均停靠120次。这个数字以前不到100--这意味着使用相同卡车的相同司机现在可以提供比以前更多的包裹。你会认为如此紧密的监控员工可能会引起员工之间的冲突。但增强的性能意味着该公司可以向其司机支付业内最高的工资，这无疑有助于支持员工购买数据驱动的绩效。该公司还采取了其他措施，以确保他们不会面临司机的反弹; 例如，根据驾驶员合同的条款，UPS不能在没有通知驾驶员他们正在收集什么的情况下收集数据。他们也不能仅仅根据数据告诉他们的信息来对驾驶员进行管理。人力资源团队的外包：数据驱动的人力资源可以让企业摆脱传统的，耗时的绩效管理方法，例如年度绩效评估（一般对管理人员和员工都感到恐惧）。现在，我们可以更经常地（甚至实时）更好地监控实际绩效，并以更具建设性，持续和一致的方式向员工提供反馈意见。

数据分析
2018年05月29日
数据分析

人力资源岗位都要进行哪些数据分析？作者|刘建华来源|HRBar 在HR的绩效考核里经常性会看到一些指标，比如招聘的到达率、培训完成率等，到底人力资源要分析哪些指标，这些指标到底如何设计？ 01 基于运营的人力资源数据分析首先第一个核心点，如果HR在操作人力资源工作的时候没有数据化没有进行量化，那么操作的东西就很难获得认可。量化是今天所有HR的基础，特别是各位写年度工作计划和总结时，一定要量化很清楚。第二是到底量化什么指标，很多HR在做半年度分析的时候，部门人员占比，再分析工作人员结构占比、年龄占比，我个人认为这个东西意义并不大，真正来分析的是基于公司运营数据导出来人力资源分析，这个是最有意义的。人效分析、各个岗位单位产出分析、人力成本分析、牛人占比分析、培训有效性分析，这些都是我认为比较有意义的数据。 02 人效分析第一个数据是人效分析，在一个公司里这是最基本的数据，因为人效分析就知道公司目前经营情况，人效的公式比较简单，用公司收入除以人数，每个月加起来除以12个月。是按照人均收入还是人均毛利来算，我个人认为按收入分析就可以，人效的比值决定了公司里每个人的平均贡献值。第一种情况，是公司的产值偏低，同样1000人能创造十亿的收入，公司只做了一亿的收入，产值为什么比较低？仔细分析会发现产品比较低端，就是卖不上价格，这样的公司肯定是产品线的产品水平不行。第二种是人员能力不够，一般公司里人效值偏低的时候，往往是公司初级人员偏多，导致整个公司战斗力不行，产值上不去。第三种是，有些公司的产品线也赚钱，但做得不太好，原因是公司有一堆不赚钱的业务，所以我个人认为要控制业务数量，按照谷歌的思想就是721，70%做主营业务，20%做成长型业务，10%做新业务，这样的占比就比较健康，所以要控制一个合理的度。 03 人力成本分析下一个分析是人力成本的占比，这跟人效比密切相关，往往是一个公司人力成本除以公司财务确认后的收入。人力成本分析怎么算呢？一般是，人力成本占收入是一个比，还有收入占毛利的比，我认为占20%左右比例合适。有很多人说人力成本控制的方式是什么，一些公司的玩法就是不涨工资，我认为这是不可取的，控制人力成本有一个核心动作是必须减员增效。在公司里哪些人浪费人力成本呢？第一就是无能的高管，第二就是工资很低但没有产值的人。降低人力成本一种办法是降低工资总额，还有一种办法是提高收入值，怎么提高？要找牛人进来，因为牛人可以做更高的收入，找牛人也是降低人力成本的好办法。 04 人员结构分析第三个是人员结构的分析，这里指的不是年龄、性别、学历分析，这种盘点价值并不高，那什么样的分析才有意义？第一个分析的是公司管理人员占比。第二是后台人员的占比分析，财务、人力资源等等岗位，你问这些岗位是不是越少越好？不是。我个人觉得一个公司后台加起来维持在12-15%是可以的。还有一个是公司里人员结构，比如研发人员占比分析，之前的课我们讲过，华为46%的人是做产品和解决方案的，在中国的3G根本没有想商业化的时候，2004年的时候华为就开始招人，当时3G人才有1万人左右，有7000人在华为，他们的研发储备量比特别高。 05 营销团队能力水平分析下一个分析是对营销人员产出进行分析，第一个是组织单元的分析，我要看各个门店的产出情况，看看各个门店人均产出多少钱，看看各公司的人效比是什么样的。第二是分析销售人员的业绩情况，做这个分析核心点是有了这个之后，在公司里把销售人员按照业绩进行排名，然后按照等级分出来。要认真剖析整个公司的人员构成，你要看各个业务部门做得最好的人是多少，前1/3的人做多少，把后1/3的人干掉，中间1/3是可以培养的人，在销售里这个分析特别重要，必须要对这个人的水平进行深度分析。 06 一定要做的人员综合能力满足预期业绩分析在分析里最重要的是，分析公司现有员工满足未来预期业绩要求的匹配度分析。把下半年的目标定出来，基于未来业务的要求，现有人员是不是满足这样的要求，要把人员进行分类分级，就是前面讲的人力资源盘点，里面包括最基本的个人业务能力评估、态度盘点、个人价值观匹配、个人发展潜质匹配等等。这样在公司就会分出三类人员。一类是表现很好业绩过关而且潜质不错，完全胜任岗位要求；第二类是勉强可以的人，业绩中等一般但是也可以达到及格线；第三类是根本达不到要求的人。更深层次的分析，老板最希望看到的分析是这个，在一个公司内部到底有多少人是真正胜任的，他们是能够满足公司业绩要求的。最牛的人力资源是对每个部门的每个人都很熟，对他们实际情况都很清楚，这样人力资源就干得比较狠了。各个部门的人员匹配都比较清楚，哪个部门行与不行都很清楚，下一步怎么调也很清楚，作为HR来说，能不能对公司各个部门的人员了如指掌很重要，是不是对每个业务部门下一步工作目标业务计划了如指掌。 07 从运营角度进行招聘分析下一个分析是专项数据分析，比如招聘渠道的分析，这个怎么分析？原来分析数据的时候是招聘到岗率，要看招聘完到岗后的分析，如今招的人不仅是简单把人招进来，而是要确定他是牛人。今年部门招了多少人，到岗周期时间要进行分析，然后针对招聘结果进行分析，是不是满足岗位要求，部门提了多少需求，HR多少天搞定的，招来的人转正通过率有多少，转正的优秀率有多少，这样剖析之后招聘的数据就比较有说服力。有很多HR总是掉在模块思维中来做，分析的时候先分析招聘渠道完成情况，通知了多少人，多少人来面试，通过率有多少，这些数据一点意义没有，一百个人招进来录取了一个人，招聘了一个人录取了一个人，哪个更重要呢？我认为通知一个人就可以招聘上岗，这是最好的。 08 分类细分的流失率分析关于员工流失率的分析，并不应是简单算一个流失率。第一个数据是主动淘汰人员的数据，做这个目的是我们能非常清楚的知道主动淘汰了多少人，这是一个很核心的数据。第二个是主动流失员工有多少，比如说要看那些主动流失（主动离职）的人有多少。在这里要进行精细分析，什么叫精细分析？一个是优秀员工牛人的流失率分析，这个比值一定要控制好，如果这个没控制好的话特别可怕，一个公司里牛人走了，这个组织损失就大了。我建议要立体性的进行分析，就是统一的流失率，从主动和被动流失率进行分析，再看牛人流失率。其实这些数最后要体现到人效提升上，不管你怎么做，招了多少人进来，走了多少人，分析数据的优势是引进了多少牛人，干掉了多少不行的人，这样工作才有效，反过来说招了很多人没有效果，牛人还走了，这样人力资源的工作就有问题了。 09 培训分析与总结最后一个是对培训数据分析，第一个是课程开发数量，今年我们有多少个经过准确认真开发课程的数量；第二个是我们经过认证的内部讲师有多少个；第三个是当年做了哪些有效培训。针对于公司不同的岗位，把这些工作——量化后进行剖析，发现培训完之后团队业绩明显有增长，培训前后的数据比一分析，有了这个值就厉害了，人力资源的价值感就上来了。做了这么多分析最后总结下来是什么？第一个是体现跟运营的对接；第二个是跟HR的贡献值有关系，你能拉出来人力资源贡献了什么，今年人效有提升，薪酬成本降低，牛人招聘入职率高，牛人流失率低，培训了多少牛人出来，这时候HR获得重用的机会就来了。必须要用数据化分析，你得用数字证明你的功劳，否则只有苦劳没功劳，干了半天最后也是白干。

数据分析
2018年05月23日
数据分析

用数据让招聘回归到它本来该有的位置文| 大招来源| 首席招聘官在这个凡事讲求效率和价值的时代，招聘HR们将越来越体会到数据分析的价值。老板们都懂得人才之于企业发展的重要性，但是负责招人的招聘HR们却很难获得与之相匹配的地位。招聘HR所做的工作更多是找简历、约面试，很少能在用人决策中发挥多大的影响力。可怜招聘HR们每天累成狗，还时不时成为各部门业绩不佳的“背锅侠”。可这又能怪谁呢？如果每天都只是把自己局限在事务性的工作里，无从体现招聘应该具备的财务价值，被大家忽视也是情理之中的事情。招聘HR，请关注你的财务价值！招聘HR的财务价值，主要体现在以下几个方面：能够准确识别招聘成功的要素，并用经济的成本招募到高绩效的人才，实现较高的投入产出比；能够预测招聘的速度，并在业务需要的时刻及时将人员补充到位，避免业务空转或停滞给公司发展造成损失；能够合理评估人效，准确分析招聘需求，创造出更加精准的招聘计划，确保人尽其用，避免人力资源的浪费。你想想，如果人力成本比往年少，但是创造的收益却比往年多，老板会怎么看你？如果业务部门需要人的时候，你就能马上配置到位，业务部门老大们又会怎么看你？但在实际的工作中，招聘HR却很少关注这些方面。他们心里想的是，只要能马上招到人，完成招聘任务就够了。“就算招不到人，拖延一段时间，老板也不会因此开除我。”更何况，招不到合适的人，招聘HR还有很多锅可以甩。比方说，岗位开的薪资低、公司的品牌知名度不够…… 只是他们没有想过，因果循环，报应不爽——在你找理由抱怨的同时，你也在堵塞进一步发展的道路。我们为什么要做数据分析？招聘HR的财务价值，需要通过数据来说明。不过在招聘HR的总结计划中，数据更多只是做招聘流程中的结果汇总，有的甚至连分析和改善建议都没有，更遑论呈现个人贡献了。总结计划一汇报完，这些数据也就从招聘HR的世界里沉没了。招聘HR的财务价值，同样依赖数据分析来实现。比方说，如何用经济的成本招募到高绩效的人才？很多高绩效的人才的求职动机很多并不在于薪酬，而在于发展。通过数据分析，你就能找准这类人群的求职动机，说服他们接受你的Offer。通过数据的统计和分析，你能准确把握市场的脉搏，合理优化招聘流程，提升招聘体验和招聘效率；你也能深入了解业务，了解团队的人效，拓展招聘的准确性和灵活性。在数据统计和分析过程中，你以及团队的招聘能力会得到大幅提升，招聘所能创造出的价值也就更大了。我们为什么不愿意做数据分析？对于数据分析，很多人并不是不清楚它的重要性，但是就是不愿意做。主要是因为数据统计，是一个非常乏味且漫长的过程。大招目前在做运营方面的工作，对此也是深有体会——坚持做一两周是容易的，要每天都如此，就没那么简单了。数据的统计和分析是一个没有终点的过程。现在时代变化这么快，今天的成功不代表明天的成功，要确保你的招聘成功，你就必须不断寻找改善招聘的方法。你说这难受不难受？所以，当我们开始排斥数据统计和分析的时候，也习惯性地找很多借口，比方说，没有ATS系统，统计数据太麻烦；又或者招聘的数据太零散了，不好统计。在我们这么推脱的时候，心里一定要清楚，这只是借口而已。目前市面上的ATS系统还很难完全满足招聘HR统计和分析的需求，最有效的工具还是Excel表格，虽然它是那么简陋、繁琐，但是可完全定制化呀——它可以满足你的任何需求。我们该如何做招聘的数据分析？当你下定决心要用数据驱动你的招聘工作了，接下来就是怎么做的问题。其实它也没有你想象的那么复杂。招聘的数据化管理，目前主要体现在两个方面：进行招聘流程的过程记录。招聘流程无非就是发布职位需求、筛选简历、邀约面试、初试复试、薪酬谈判、发放Offer、入职引导这些环节。将这些环节出现的数据记录下来，然后像构建销售漏斗一样，构建一个招聘漏斗，这样你就能一眼看出到底哪个环节对你招聘最终结果的达成造成重大的影响，从而可以针对性地进行优化和改善。进行数据分析，总结出规律，从而指导后面的工作展开。以发布职位为例，在该区域该网站开展招聘，在什么时间点发布，发布几个职位，什么时候刷新，刷新几次等等，能够收到最多的简历投递，这些都是可以通过数据分析，总结出规律来的。当你总结出这些窍门，后面的招聘动作就能更加高效了。再举个例子，如果通过数据分析，招聘HR的工作年限是决定最终招聘结果的一个很重要的因素，那么后期我们配置招聘团队的时候，是否可以根据招聘HR的工作年限，合理评估他可能的产出，从而精准地制定团队规模以及KPI指标？这是一份招聘流程统计分析表格，供大家参考。结语毋庸讳言，未来是一个数据驱动的敏捷招聘管理的时代。我们要想有更广阔的天地，就不能只是盯着眼前的任务，被动地接受指示。要合理地利用数据，评估过去和规划未来，用数据来实现招聘HR的财务价值，让招聘工作回归到它本来该有的位置。

数据分析
2018年05月18日

数据分析

HR必看：如何用数据分析来提高员工参与度文| karishma borkakoty 来源| towardsdatascience 根据Timesjobs.com最近进行的一项调查显示，60％的员工对他们目前的工作不满意，而80％的员工表示他们正在换工作。同时，员工的不满情绪年复一年地大幅增加。这项调查同时说到，员工的负面情绪可归因于组织中人力资源管理不善。 2015年，78％的员工表示，他们对目前的工作感到满意，尽管他们仍然乐于接受其他工作机会。这些日子，员工对工作的不满情绪在不断上升，其中工作与生活的不平衡，工资低，工资增加幅度低，工作琐碎是造成这种状况的原因。对于我们很多人来说，故事是把我们带回记忆之路的东西。有些故事足以影响我们的印记，让我们与现实保持联系。同样，故事可以在连接组织内的人员方面发挥重要作用。这些故事中可以有情节和次要情节，可以帮助组织了解他们的员工对工作，他们的经理以及他们可能希望雇主改变以提高透明度的感受。但问题是，你是否花费了足够的时间和资源来理解为什么有些员工有不好的故事，有些有好的故事？您是否正在深入挖掘、解决，保留，参与和脱离的奥秘？您是否将员工和公司数据与行业数据结合使用，有助于促进更好的员工敬业度决策？如果您对所有这些问题回答“是”，那么您的公司可能拥有最佳的互动政策。如果在说出是的话之前你必须思考一段时间，现在是时候重新思考如何进行员工参与活动了。数据是维持员工积极性的关键每家公司都使用客户互动记录，购买历史记录，社交媒体，在线社区和调查等来更快更准确地预测客户的未来行为。但是，我们经常忘记我们的高优先级客户是我们的员工队伍。就像公司与客户建立长期关系的方式一样，这些公司也需要加强与员工的关系。但许多公司无法做到这一点，因为他们无法准确解读调查获得的数据结果，从而无法制定可改善员工参与度的策略。虽然人力资源数据储备巨大，但企业无法收集其员工的相关指标，这使人力资源团队难以分析，理解员工行为以及采取相应的行动。从解释数据的基本问题开始，比如“你的员工为成为组织的一员而感到自豪吗？”，“作为一名雇主，你是否给了他们足够的激励以保持动力？”，以及“你是否花足够的时间听到并解决员工的不满？“可以帮助企业获得有趣实用的见解。还有一些组织应该思考的一些数据分析的着手点，以便在个人和组织层面上更好地理解其员工的参与。事实上，这些数据集中的很多可能会在各种人力资源系统中进行跟踪和收集。数据分析在人力资源管理中的价值 - 案例研究和举措虽然人力资源分析仍处于初始阶段，但其市场上成功应用的例子却不断增加。在哈佛商业评论文章中，米克柯林斯强调了黑山公司如何利用人力资源分析的优势。 Black Hills Corp.是一家拥有130年历史的能源集团，收购后将其员工人数翻了一番，达到约2,000名员工。像许多能源公司一样，各种挑战（老龄化劳动力，专业技能需求以及让员工获得全面胜任的漫长时间表）带来了巨大的人才风险。为了防止大规模的人员流动灾难，该公司使用劳动力预测分析来计算每年有多少员工退休，需要替换的员工类型以及这些新员工最可能从哪里来的员工。其结果是一场劳动力计划论坛，对89项旨在解决潜在人才短缺问题的行动计划进行了分类和优先排序。同样，BRIDGEi2i帮助全球商业服务组织识别并采取行动，提高其庞大而多元化的员工群体的满意度和参与度。在TLNT发表的一篇文章中，国际知名的人力资源思想领袖John Sullivan博士列举了谷歌过去和现在在人员分析方面的一些举措。氧气项目：帮助他们确定伟大领导者的八个特征。数据证明，除了优秀的技术知识之外，周期性的一对一辅导，包括表达对员工的兴趣和频繁的个性化反馈，被列为成为领导者的关键特征。 PiLab：一个独特的小组，在Google内部进行应用实验，以确定管理人员和维护生产环境的最有效方法（包括识别使员工最快乐的奖励）。保留算法：Google开发了一种数学算法，主动并成功地预测哪些员工最有可能成为保留问题。可操作的分析正在推动人力资源管理的成功人才分析成功的故事鼓励其他组织毫不拖延地采取分析措施。根据SHL全球评估报告，全球企业中有不到50％的人在做出人力决策时使用客观数据，只有不到20％的人对他们当前的数据管理系统管理人才数据的能力感到满意。但是，凭借可操作的分析，领导者和管理人员拥有巨大的机会来利用人才数据来降低员工成本，确定收入来源，缓解风险并执行业务战略。旨在追踪员工敬业度，满意度和保留率的分析解决方案是建立和维持快乐和积极进取的员工队伍的关键。分析可以帮助企业找到激励员工的方式，促进与员工奖励，定制培训等有关的计划。数据驱动型员工敬业度战略的早期采用者必将在竞争中茁壮成长。现在是唤醒数据分析并加强大多数组织缺乏的数据分析专业知识的时候了。以上内容由HRTechChina AI翻译，仅供参考

数据分析
2018年05月08日
数据分析

为企业提供数据分析深度报告，Datatron获270万美元种子轮融资今日Datatron为其虚拟助手Emma筹集了270万美元种子轮融资。也许虚拟助手在现在看来已经不是什么新鲜事物了，但Datatron的虚拟助手能帮助员工从网站繁多的历史数据和实时数据中找到深层见解。公司每时每刻都会产生大量的数据，有些数据更新得慢（比如Uber在某座城市里的注册司机数量），有些数据的更新则非常快（比如Uber在某座城市的活跃用户数量）。如果只是盲目地把这么一堆数据和公司的商务逻辑结合起来，那么你就很难从中得出什么有用的结论。 Datatron由Harish Doddi和Jerry Xu所创立，它能帮助公司们把这些数据用在特定的目的上，比如销售、营销和融资等。这家公司会提供一个非常简单的界面，用户可以从平台给出的预测模型里找到所需的关键指标。最初，Datatron只是为企业提供了一种平台化的解决方案，它能进行实时的特征提取和数据清理，帮助企业更快地从数据中得出结论。在最近几个月里，这家公司推出了上文提及到的这些功能，这能帮助它获取更多客户。这个系统曾在早期为销售业务推出过优化服务，它能帮助销售团队更快地评估潜在客户，从而将自己宝贵的时间和资源花费在合理的地方。Datatron可以说是集成了Zuora、Salesforce、Marketo和Zendesk的一系列核心功能。目前这家公司已经从Start X、Credence Partners、Authentic Ventures、Enspire Partners、Plug and Play和 500 Startups那里获得过投资，目前它已经和一批早期客户建立了合作。【猎云网（微信号：ilieyun）】7月12日报道（编译：叶展盛）

数据分析
2017年07月12日
数据分析

新加坡HR创企EngageRocket获32.2万美元天使轮融资，用数据分析帮助企业管理员工新加坡创企EngageRocket能通过职场分析来提高员工保留率和生产效率，公司昨日宣布融资45万新元（折合32.2万美元）天使轮融资。公司由Leong Chee Tung和Dorothy Yiu创立，该公司表示，本轮融资将加速公司的产品开发，并扩大公司的运营规模，以满足更多的当地需求。 EngageRocket的首席执政官兼联合创始人Leong Chee Tung说：“如果能打造一个员工参与度很高的工作环境，那么公司的营收和利润都会实现快速增长，员工的保留率和生产效率都会提高。但问题是，大多数公司没有数据系统以打造这样一个可靠的工作环境。” “世界上最顶尖的公司，比如亚马逊和谷歌，都会对员工进行频繁的调查，从而通过员工的反馈更灵活地对其行为和工作流程做出调整。而EngageRocket能将这一过程推广给世界上所有的公司。”他补充道。公司的云端软件分析反馈能帮公司领导人建立并维持企业文化，并让调查管理、分析以及后续的意见生成等过程自动化。一则2016年的报道表示，调查反馈工具的市场已经达到了3亿美元，年增长率为100%。公司的投资方Huang Shao-Ning（JobsCentral Group的联合创始人）说：“作为一个企业拥有者，我认为员工的参与度数据对于提高团队表现而言，非常重要。Chee Tung和Dorothy巧妙地将相关知识、行业见解和科学技术结合起来，给出了这样的解决方案。” 当问及公司在新加坡及东南亚国家所调查的员工时，Leong说：“我们国家的很大一部分员工都是属于‘划水’或者‘业绩不佳’的那种。相关数据显示，新加坡76%的员工参与度极低，表现一般，但和那些表现良好的员工，拿着差不多的薪水。” Leong还补充道，EngageRocket的愿望就是公司获得所有员工在任职时期的反馈和分析，从而支持其做出数据驱动的管理决策。当问及公司的市场退出战略时，Leong表示：“我们大概会在A轮融资完成之后才会有答案，大概要4到5年时间。至于采取何种退出方式，我会和其它创始人一起商量。” 【来源：猎云网（微信号：ilieyun）】4月20日报道（编译：叶展盛）

数据分析
2017年04月20日
数据分析

通过数据分析帮助销售人员完成交易，Aviso 获 800 万美元 C 轮融资 Aviso 是一家利用机器学习技术，为企业提供销售预测的大数据分析初创公司，2 月 17 日，该公司宣布获得了一笔 800 万美元的 C 轮融资，投资方包括 Scale Venture Partners、Next World Capital 和 Shasta Ventures 三家风投机构。 Aviso 公司截至目前的融资总金额为 3100 万美元，虽然这次 C 轮融资金额比上一轮融资金额低，但该公司一位发言人特别强调称，本次并不是“Down Round”，估值并不比上次融资时的估值低。 Aviso 公司成立于 2012 年，总部位于加州门洛帕克，旗下共有约 70 名全职员工，该公司主要向企业销售“软件即服务（SaaS）”类软件，提供大数据预测分析服务，帮助企业提升销售业绩。该公司首席执行官 Michael Lock 表示：企业管理者需要数据分析的支持，帮助他们更好做出决策。而另一方面，企业内部销售团队也需要根据人工智能的帮助获取更准确的数据分析结果，继而快速执行交易。事实上，Lock 最近刚刚加盟 Aviso 公司，取代了原公司创始人兼首席执行官 K.V.Rao 的位置，后者将会“退居幕后”担任公司首席战略官。Lock 本人在企业级“软件即服务”领域里拥有丰富的行业经验，曾是 Google Cloud 旗下企业服务 Google Enterprise 的创始高管之一。 Aviso 公司目前已经获得了 30 家企业客户，包括 Apttus、HubSpot、Nutanix、Pandora、以及 Splunk 等。现阶段，他们的收入模式是根据企业客户的用户数量和 Aviso 软件使用频率来收取年订购费。事实上，销售预测分析目前越来越受到企业的关注，而且该行业内最近也发生了几笔值得关注的收购交易，比如 2015 年，InsideSales 收购了预测云数据服务公司 C9，机器学习数据分析公司 DxContinuum 也是在最近刚被 ServiceNow 收购了。不仅如此，很多行业巨头——比如 eBay 和领英（LinkedIn）也在销售预测分析领域加大了投入。所以，如果未来有一天 Aviso 公司也被收购了，大家也不要感到太过意外。据 Aviso 公司发言人透露，得益于上一轮融资，该公司目前的资金情况十分不错。但是考虑到新 CEO Michael Lock刚刚上任，不少看到该公司风险投资人希望通过加大投入，让他手头有更充足的资金来施展拳脚，而这笔 800 万美元的最新融资能够给 Aviso 公司下一阶段增长带来一臂之力。接下来，Aviso 公司将会利用这笔投资扩大产品条线，并且招募更多销售、市场营销和客户服务人才。本文来自翻译：venturebeat.com，如若转载，请注明出处：http://36kr.com/p/5064187.html

数据分析
2017年02月20日
数据分析

Box收购数据分析创企Wagon，后者服务将于10月3日关闭【来源：猎云网（微信号：ilieyun）】编译：何弃疗 1 云文件同步及共享软件公司Box今天宣布他们收购了初创公司Wagon Analytics的团队，该公司推出了一款可以帮助分析师查询和分析数据的应用。 1 “加入Box之后，Wagon的团队将帮助我们搭建一个能提供更深见解的数据分析平台，通过这一平台我们的客户能够更好的利用Box。”Box公司联合创始人兼首席执行官Aaron Levie在博客中如是写道。“Wagon团队深入的工程技术以及专注用户体验的产品研发能力，数据建模能力和快速可视化技术能够提高我们的数据分析能力。” 1 Wagon应用能够支持多种数据库，为同事之间的数据分析共享提供了一个便捷的方式，在OS X和Windows系统均可使用。Wagon官网上称Linux版本很快也会面世。Wagon团队在博客上宣布，服务将于10月3日关闭。 1 “Wagon和Box都相信知识共享会让个体和团队都更高效。Box能帮助企业更好地做内容，通过提供一个中央现代化内容平台帮助企业提高工作效率。”Wagon团队写到。“横跨不同行业的《财富》五百强企业都信任Box，且让Box处于他们业务的中心。我们非常期待为Box研发数据分析产品，和Box一起去帮助人们更好的理解他们的数据，提高工作效率。 1 2014年Wagon公司在旧金山创立。联合创始人是Matthew DeLand、Mike Craig和曾经在Groupon工作的Jeff Weinstein。投资人包括Fuel Capital、Harrison Metal、Homebrew、Lerer Ventures以及SV Angel。竞争对手有Mode Analytics。 1 除了收购之外，Box今天公布了2017财年第二季度的盈利（截止至7月31日）。该公司公布每股亏损30美分，净亏损总额为3810万美元，营收9570万美元。本季度Box再添4000位用户。

数据分析
2016年09月02日

《 1 2 3 4 567 8 9 》