9种常见的HR数据分析方法

1 对比分析

一个数据本身是没有任何意义的，只有在把它和其他数据放在某个场景下做对比，我们才能真正发现它的意义。

我以前在汽车行业，公司每年的销售增长率在20%上下。这个增速到底高还是低？跟互联网行业的发展相比当然是偏低，但是如果你考虑到我们公司所在行业年增长率也就10~15%，那20%就是一个相当不错的成绩了。

再举个例，现在接近年底了，负责薪酬的HR都在做自己公司下一年工资增长幅度的预测，这个时候你也需要把自己的数据去和行业相对比，而不是单看自己公司期望比例，这样才知道自己处于市场的什么地位。

一般来说，对比有两种，一种是时间上的，另一种是空间上的。

时间上的对比又分两种：本月的数据和上月相比，叫环比；本月的数据与去年同期相比，叫同比。空间上的对比也分两种，一种是和外部比较，一种是内部部门之间互相比较，拿自己公司离职率去和行业离职率做对比，属于前者；各部门之间的离职率对比，属于后者。

当手上有了数据，首先想到的能够拿它去和哪些数据做对比。正是在这种不断的反复对比之下，数据才会凸显出自己所蕴藏的意义。

2 细分分析

做数据分析的目的是为了透过现象看本质，并进一步提出问题的解决方案。

细分分析帮助我们把数据分解到颗粒度更小的维度，从而更容易看清事情的本质。假如公司的年离职率达到了10%，超过行业5个百分点。现在想分析这10%的高离职率究竟是如何造成的，我们可以将数据进行各种细分，细分维度可以包括离职原因、绩效、司龄、年龄、部门、薪酬、级别、籍贯，等等。

再举个例，在招聘中，我们经常需要分析招聘工作的效率。我们可以根据候选人的数据来划分为渠道、费用、年龄、学历、周期等等不同维度进行细分。

有一家处于快速成长期的公司，每年有大量的招聘。为了确保招聘流程的高效，HR把招聘流程分解为10个关键节点，然后依次统计每个候选人在各节点之间所花费的时间，从而可以迅速发现流程中的症结，便于及时采取行动，提高效率。

3 交叉分析

做细分分析的时候，每次只能看到数据的一个维度。比如做离职分析时，选择离职原因，就只能看到每个员工的离职原因；选择绩效就只能看到每个离职员工的绩效。

如果我们希望把不同的维度结合起来比较，比如：高绩效的员工一般都是因为什么原因而离职的，此时就需要用到交叉分析。

Excel表格上的原始数据一般都是按照单一维度来呈现的，“数据透视表”这个功能就可以很好地帮助我们实现交叉分析功能。有人曾经夸张地说，Excel的核心功能无非只有两个：一个是V-lookup，另一个就是数据透视表。对数据透视表不太熟悉的同学，可自行百度。

4 趋势分析

如果数据是来自不同的时间段，此时通常要做的是趋势分析。你也可以把趋势分析理解为时间维度下的对比分析。

昨天，美国的财经电视台CNBC发了几张图表来总结中国自建国以来70年所取得的经济成就，里面主要使用的就是趋势分析。其中一张图表分析的是中国进出口贸易总额所占GDP比例的情况：

通过这张图，我们不难看出：进出口贸易在中国经济总量占比中一直呈现上升趋势，在2007年前后达到峰值，占GDP的64.48%。之后，该比例有所下降，目前占GDP的40%左右，这从另一方面也说明我国的经济结构更趋合理。

再比如，下图是某公司按岗位类别划分的招聘天数的变化趋势：

从中可看出：客服类岗位的招聘天数下降明显，而运营和销售类岗位的天数都呈上升趋势，其中销售类的趋势尤为明显。从HR的角度来分析，我们就需要重点关心销售类岗位，解决其耗时上升的问题。

 5 模式分析

模式分析和趋势分析类似，也是看数据的变化趋势或形态，所不同的是这里没有时间维度。

下图是某公司给一名员工做的360度考评得分表。左边是对员工进行考核的各个维度，右边的彩色线条代表各个不同同事的打分。打分靠左意味着分数偏低，靠右意味着分数偏高：

从这张图表中，我们不难看出打分结果数据整体呈现出的一种模式：在“创新”和“选拔与发展他人”这两个维度，几乎所有的打分者都认为该员工在此项能力上表现偏低（和其他能力相比），而在“诚实正直”这个维度上，几乎所有人都认为该员工表现偏高。

因此，如果从该员工的角度来分析这份报告的结果，也许可以忽略每个打分者的具体打分结果，但他明显需要重视那些所有人都给出低分的维度，比如“创新”。

 6 假设分析

谷歌在其著名的六步数据分析模型中把第一步定义为“观点或假设”。

什么是观点或假设？就是人们对某件事物形成的一种意见，它是与事实相对立的。我们在做数据分析前，收到别人的意见时应该先把它当作观点或假设来对待，而不是当作事实。

举个例子，业务经理告诉你说员工工资过低，需要加薪挽留员工。如果你把这件事当作事实，就会开始琢磨公司还能拿出多少预算、需要把这笔预算花到哪些人身上才能更好地挽留员工。

但是，假如我们首先把这个当成一个观点或假设，接下来一步正确的做法就应该是收集与这个观点相关的数据和指标，再进行分析，最终通过分析结果来印证或推倒推到该观点，并提出后续行动方案。

因此，在前述案例中，尽管业务经理的观点是希望加薪，但是最终通过分析会发现导致员工离职的原因不仅仅是薪水，还可能涉及到公司文化、领导者风格等因素，后续采取的行动也就更能有的放矢。

这样，才能确保片面的观点不会遮掩事实的真相。

 7 相关分析

把两组不同的数据放在一起分析，找出其中的相关性，就是相关分析。

相关分析往往是做因果分析的重要前提。比如，老板们都希望看到员工在正常的工作时间段以外加班，恨不得加班时长越长越好。那是不是加班时间越长，员工或公司的绩效就越好呢？一个简单的方法是把加班时间和绩效两组数据放到一起做一个相关性分析，即可以看出其中的规律。

不过，做相关分析的时候要小心一点，就是寻找的数据需要尽可能互相独立。之前有人提到，想分析员工奖金和公司绩效之间的关联性，看是否高奖金带来了高绩效。这样分析会有问题，因为奖金系数本身就是根据绩效来计算的，两者之间当然是一种强关联。为了实现以上目的，倒是把员工基本工资和公司绩效放到一起分析，更合理一些。

8 因果分析

做数据分析的目的是希望找到表面现象下面的原因，从而找到解决问题的正确途径。

因果分析可能是数据分析里最复杂的一种。很多人把相关性分析等同于因果分析，这是一个常识性的错误。相关并不一定等于因果。举个例子，夏天来了，你会发现游泳的人数和购买冰淇淋的人数这两组数据呈现强相关性，但你并不能因此就得出结论说是因为游泳的人多所以导致买冰淇淋的人多。

统计学家们在做因果分析时，一般会有严格的条件限制。要得出两个因素之间存在因果关系，至少得满足两个前提：第一，两个因素在发生时间上存在先后顺序，先发生的为因，后一个为果；其次，在其他条件不变的前提下，第一个因素发生变化，会导致第二个因素的变化。

举个例，公司做了一次人才发展项目，你如何证明这个项目是有效果的呢？严格的做法是，首先，收集这个人群在参加项目之前、期间和之后的绩效表现，观察前后阶段绩效是否发生明显的变化；其次，确保在项目实施期间，员工除了该项目之外，不会受到其他任何外部因素的影响。

更严格的做法，是另找一组同样的人群做对比。这组人的来源和之前一组完全一样，不同的是他们没有参加任何人才发展项目。假如项目结束之后，前一组人群的绩效提升明显高于后一组人群，就有了充分的证据来印证该项目的有效性。

之前一位客户曾告诉我，他们在分析一个人才项目有效性的时候，使用了更极端的方法：挑一组明显能力低于平均水平的员工参加项目，之后再和正常水平的一组员工做对比。假如前一组员工的绩效提升高于后一组，就能更有效地说明项目确实带来了积极的效果。

9 回归分析

回归分析可以被看作是相关性分析的延续，它也是数据分析中最为重要的方法之一。

相关分析让我们看到不同数据之间的相关性，而回归分析则把这种相关性通过数学公式具体地量化出来。虽然相关分析不能直接解释因果，但这并不妨碍我们通过相关分析实现预测和控制的目的。

比如，我们发现员工人数和公司绩效之间有较强的相关性，然后用数学公式将这种关系表达出来，那么我们就可以推算当公司绩效达到某个水平的时候，员工人数应该处于什么水平。当然，回归分析出来的结果只是一个近似值，并非百分百精准，但已足以帮助我们在大多数时候做决策之用了。

HR数据分析中常用的回归分析，分为线性回归和非线性回归。前者包括简单线性回归和多重线性回归，后者包括多项式回归和逻辑回归。有人说，做回归分析最核心的就是找到你想研究的关键问题（Y或因变量）以及影响它的因素（X或自变量）。

找准X和Y可以帮助我们有效地建立起回归模型。比如，为了预测什么人可能成为公司的高潜人才，这里Y就是一个人成为高潜的可能性，而X可能就包括这个人的学历、专业、性格、胜任力、承担项目数、专业培训经历等等。通过回归分析，我们可以找到对Y影响最显著的因素X都是哪些。

以上便是HR数据分析中最常用的分析方法，它们可以帮助你解决日常工作中大部分与数据相关的问题。（作者：何帆  来源：世界经理人）