努力很久的年中汇报,老板却无动于衷?不妨思考这三个问题(文末福利)

一年一度年中汇报,人力资源部门从HRD到招聘负责人到普通HR都在努力用数据证明自己的工作价值。然而,很常见的一种现象是,HR辛辛苦苦做的年中汇报,精心设计的数据报表,到CEO那感觉什么用都没有,老板无动于衷。

于是,HR们开始质疑,到底什么样的数据分析能够打动老板?

很多HR都关注招聘完成度、招聘渠道的质量、候选人质量、离职率等,将这些数据称为“分析结果”。但是,像这样的分析结果除了“对现状有所掌握”之外,还有更多的意义吗?如果HR们将这样的结果汇报给上司或者老板的话,还期待他有什么反应呢?

数据分析是为了“获得商业见解”

不妨思考下,CEO们最在意的是什么?显然是业务经营。拉姆·查兰曾与全球很多CEO交谈过,这些CEO们都希望HR们凭借自己的技能,将员工和业务数据联系起来,从而找出企业的优势和劣势、令员工与其职位相匹配,并为企业战略提供人才方面的建议。也就是大家常说的HR要为业务服务。

什么样的数据分析才对业务有价值呢?

数据分析中最重要的是“获得商业见解”,而不仅仅是对现状的解释。

要想老板们不至于无动于衷,就必须让分析结果与商业中具体的行动联系起来,就必须回答以下“3个问题”:

  1. 应该做什么样的改变才能增加利益?
  2. 做出这些改变的可行性,现阶段是否能做?
  3. 如果能做,所带来的利益是否大于所消耗的成本?
只有解答了这3个问题,才有下一步的行动指南,才能与公司利益相关,按照数据分析的结果采取行动。

举个简单的例子,某电商公司招聘量非常大,流动性也大,聘请了多家RPO供应商,花费几百万的资金。有没有可能降低一些招聘成本?HRD观察到,每个月供应商推荐这么多简历,会不会有重复?如果有岂不是在重复付费,白白浪费了招聘费用。于是HRD组织了2名HR进行数据统计,历时半个月终于得到了数据,企业每个月为重复简历付费的金额超过10万。这一数据发现,让HRD意识到必须做出改变。

但是每个月让2名HR花时间做这个事情又不划算。于是他们考虑采取数字化系统,自动识别重复简历。在与Moka招聘管理系统沟通后,计算了软件的购买成本,系统带来的招聘效率提升,人才库价值等等,对比查重节省的费用和人力成本,上系统带来的利益远大于消耗的成本,为企业每年节约了大约百万的招聘成本。

做数据分析的4个基础

降低无效成本也是提升商业利益的方面。如果要做出对商业经营有指导意义的人力资源数据分析,就需要具备4方面的基础:

1.闭环式的数据分析

闭环式数据分析的目的是创造一种可持续性提升业务指标的机制。首页把这个指标跟基本的业务问题关联起来,然后提出对问题解决方案的假设,再通过测试来验证假设,最终提出对指标有提升的行动指南。

正如上面的案例,需要改变的指标是招聘成本,HRD提出的假设是减少RPO的重复简历,就可以节约成本。于是从过往的数据中验证这种可能的存在。事实证明是可行的,然后提出可持续性降低成本的行动指南,并计算出这个行动带来的利益远大于所消耗的成本,成功的通过闭环式数据分析实现业务指标的提升。

2.数据之间的关联性

HR对招聘渠道的效果都非常关注,如果渠道能带来很多候选人,但是能最后入职的候选人并不多,未来该如何制定渠道投放策略?人力资源部门对员工的满意度和离职率这些数字非常敏感,但是满意度高的员工业绩很低怎么办?所以,关注个别、独立的数据都是远远不够的。

3.数据要全面

而建立数据关联的大忌是数据断层。试想,如果企业想提升门店人才的到岗率,HR只知道门店一周面试20个候选人,最后入职一个人,但是被淘汰的人是因为没参加面试,还是面试体验不好拒绝入职,还是其他的原因,如果HR缺少这些数据就很难通过数据分析找到原因,然后有针对性的提出解决方案。

不幸的是,数据断层的问题在人力资源的工作中比比皆是。要想实现用数据分析提升业务价值,数据的收集必须全面

4.数据要准确

准确性是数据分析的基础,它的重要性不言而喻。错误的数据不可能指导得出正确的业务决策,如果能那一定是运气。

数据的准确性也体现在对数据指标的认知统一,假如有些HR认为人效=销售额/全员数量,而其他HR认为人效=销售额/销售人员数量,这两个数据得出结论可能完全不同。

站在数字化系统的肩膀上

可以说数据的关联性、全面性和准确性是实现闭环式数据分析的基础,然而在大数据时代,想要通过人工实现数据分析的基础几乎没有可能。好在大家可以站在数字化系统这个巨人的肩膀上,用更便捷的方式实现对业务更科学的分析。

这里以Moka招聘管理系统举例,解释数字化系统对人力资源数据分析的益处。

1.全量数据收集,指标统一更准确

通过“制度流程化、流程表单化、表单信息化”的方式,Moka打通全链路招聘流程数据,从源头帮助企业收集全量的招聘数据。职位数据、简历数据、招聘过程数据、评价结果、操作数据等等,都可以通过数字化系统集中收集,并且做到数据留痕可追溯。

系统统一收集数据也打破了不同人对指标定义不一致的问题,数据更准确。

2.默认多维度数据模板,满足快捷的基础数据统计

为了提升数据统计的便捷性,Moka默认配置了一些不同职级的HR们常用的数据报表模版,可以满足HR日常的数据统计需求。

招聘运营:过程管理数据(招聘漏斗、渠道、猎头、内推、人才库等渠道质量);用人经理效率(筛选时间、反馈时间);响应率(职位的发布时间、周期、完成时间)

招聘负责人:完成率(HC完成率、offer数据、入职数据),招聘质量(招聘漏斗、候选人满意度、用人经理效率)

HRD:招聘质量、HC完成率、360度人才分析

3.可视化数据面板,数据结果展示更直观。

数据的直观呈现有助于HR和管理者进行对比分析,了解招聘现状。实时数据,一次配置,无需手动,长期可看。Moka还能将多维度的数据分析形成可视化面板,HR和管理者都可非常直观地预览个人或者团队的工作进展。

除此以外,数字化系统还能提供更加实时的数据,甚至是过往未曾想到的数据,在需要的时候也能够提取得到,这是人力无论如何都做不到的。

数据分析中HR的价值体现

如果基础的数据统计和可视化分析已经由数字化系统完成了,那么HR还需要懂数据分析吗?需要具备的数字分析能力到底指什么呢?

再回到前面说到数据分析中最重要的是“获得商业见解”,在数据分析的闭环中,提出假设是最需要人发挥创意的地方,也是HR最彰显数据分析价值的地方

见解可以分为两种:

信息类见解——让你更好地理解候选人

行动类见解——帮助你作出明智的决策,指导企业采取实际行动

数字化工具本身并不能提供什么见解,要获得见解,HR们必须了解公司的业务、产品、候选人、人才策略、渠道特点等等。见解的产生终究要靠人,而非机器。

如何提出假设,不妨试试多问几个“所以呢”。

“从招聘微信公众号申请的候选人,入职转化率比渠道都高了。”

“所以呢?”

“未来可以增加对微信公众号的曝光,获取更多的候选人。”

“所以呢?”

“可以尝试一段时间,如果运营招聘公众号的成本比渠道低,就可以持续进行。”

“所以呢?”

“或许可以用更低的成本达成招聘目标。”

……

其实,数据就只是数据而已,把公司业务和利润推向新高的是那背后的人力,是人力从数据中获取独到见解,为商业行动提供建议,并进行评估。


为了让HR们的年中汇报更高效,我们特意准备了价值999元的数据分析资料包,现在免费赠送!

扫描下方图片二维码,分享给至少3位小伙伴为你助力即可获得!

点击这里免费申请试用>>

 

关闭菜单