各位朋友，想请教一下怎么对人力资源进行数据分析？
人力资源的数据分析可以从多个方面来进行：
1、人工成本数据，包括劳动分配率、劳动报酬率、人均人工成本、人工成本占总成本比；
2、效率数据：百元人工成本增加值、百元人工成本销售收入；
3、薪酬结构数据：动浮比、高中基层人均收入对比、级差、档差；
4、招聘配置数据：招聘周期、招聘周期内到岗率、招聘费用控制、职能后勤人员占总人数比、管理人员占总人数比；
5、培训发展数据：人均培训课时（费用）、管理人员人均培训课时（费用）、后备梯队配置比；
6、劳动关系数据：劳务纠纷发生次数、社保公积金覆盖率、劳动合同签订率、劳务纠纷相关费用占总人工成本比
HR数据分析师是什么？
偏人力的数据分析师。
一、薪酬
先说重要的，出来工作嘛，主要是为了薪酬。我在这个职能做了也已经三年多了，期间也接触了不少外部机会。总的来说薪酬并不比业务分析方向差，起步薪酬甚至比业务数据分析好的不是一点半点。主要原因，一是目前市场上这个方向的数据分析师很少，供不应求；二是有需求这个职位的基本都是大公司，在华员工数打底两千人以上，或者千人以上并处于急速扩张中的，本身这种类型企业的薪酬就不会太差。但是目前的问题在于，起步价不低，可是封顶也不高。这个我会在下面职业发展一块详细来说。不过封顶这事情吧，你没到一定级别还是不需要考虑太多的。
二、职业发展
这个还是看职位归属的部门的。
以前我是做业务方向的，基本上都是个人直线或者所在部门直线汇报给业务老大（GM-1）。这种情况下你可以在自己岗位按部就班的晋升到老大以下的最高级别，总体发展态势还是不错的。
而HR就有点特殊了。国内很多公司（无论国企外企），人力资源分析都处于起步阶段，定位就没有那么明确，汇报线也是千奇百怪。多数公司的HR都是按照三支柱理论，分为业务伙伴（HRBP）、专家（COE）和共享服务中心（SSC）。常见的一种情况是人力资源数据分析被划在了SSC（三个支柱中最底层，员工最junior的），原因是HR所有数据都产生于SSC。顺理成章的，因为数据产生于SSC，所以数据分析师需要汇报给SSC的头儿（GM-2）或者是SSC分管非工资、非流程的“杂务”的头儿（GM-3）。从职业发展上来看，你的上限比业务分析低了一到二层，有一定的“外行领导内行”的风险。如果要进一步发展，你几乎都不得不承担其他莫名其妙的杂务。我曾经收到过某个知名外企电话，招聘的数据分析岗位居然同时需要帮助上海员工办理社保，并处理外籍员工的公司股票购买事务（外汇、税务什么的），简直莫明其妙。不过好在目前我的公司发现了这个问题，正在逐步使数据分析脱离SSC序列，转为专家一类的独立部门。相信随着数据分析价值的体现，越来越多的公司会发生这样子的转型。如此这般，人力资源数据分析从业者的上限将会被打开，甚至将会成为未来HR Head职位的角逐者之一。
三、工作内容
相比业务数据分析师而言，HR的数据分析师工作并不简单，多数情况下甚至还更加繁杂。
一是HR部门对于数据的意识不如业务部门高，历史数据的质量很差，初期你会不得不投入很大精力去完善数据保存，甚至是研究流程，乃至帮助流程管理方去提高流程数据的质量。
二呢，不是我抱有偏见，HR部门是个比较浮的部门，很喜欢fancy的东西，搞个大新闻。你一入职就会希望你能拿出一些很炫的产出（dashboard啊、离职预测啊什么的），你得要不断的说服他们先去清理历史数据，积攒一段时间的数据。三是普遍来看，现在的HR对于数据的认识远不如业务。你别老看他们培训时候张口闭口的change mindset（拥抱变化的思维），在自己的职能方向，HR的思维是非常固化的。我就亲眼见过群里从讨论AI和数字化时代在不到十分钟里变成了“HR的职能依靠沟通和经验，是不可能被数字化工具和AI取代的”（黑人问号.jpg）。我还见过不少HRBP在入职两年以后连离职率公式都不知道的。（讲到KPI公式，这是一个大坑，离职当天的人算不算当天的员工数、试用期通过率用延迟计算公式还是即时计算公式，作为数据分析师都会头大，遑论HR们了。）
不过，数据意识不强这一点也有好处，那就是他们不会拘泥于每一个数字细节，大方向差不多就成了。熟悉我的朋友都知道，我以前做业务分析时候，老板是个浆糊阿三，但是他特别喜欢抠数字，我的收入总数和财务差了一分钱人民币都会叫我查一下差异的原因在哪里（基本都是汇率的保留小数位数问题）。在HR部门，这种蠢事会相对较少一点（如果你们公司global团队不那么愚蠢的话）。
四、部门关系
基本上，作为HR数据分析师，你和外部门关系本该只是一个数据出口。但是获取数据的人不会这么认为，他们会觉得数据有错了找你就行了，你不仅应该知道错在哪里，而且应该负责把他改正了。不过这个问题也不仅是HR分析存在的问题吧，但凡做数据的岗位，都会被这个问题困扰。
五、项目
项目其实是HR数据分析的一个难点。因为习惯或者文化问题，你的客户很少会在遇到困难时想到用数据分析的方法去定位和解决问题。HRBP们更喜欢凭自己的经验，收集一些特例并无限放大特例的普遍性，来寻找和解决“问题”。不能说这个方法完全无效，但是这样子的思维很不利于数据分析文化的普及。
还有一些项目，比如离职预测、职位匹配等等，很新潮、容易吸引眼球，再加上HR的宣传能力，套上AI啊、大数据什么的包装，宣传效果一级棒。所以HR喜欢花钱做这种项目。不过往往最后建模什么的不那么难，但在实际应用时候会遇到阻碍。比如预测离职，你能把风险用户直接给直线经理吗？（以现在经理的素质，你都不知道人最后走了是模型准还是被经理逼走了。）比如职位匹配，很多直线经理会极度反感你们给员工提供内部职位的机会。怎么去应用项目，永远永远是最大的问题。
人力资源数据分析师证书的名称是什么？
数据分析师证书是为了适应大数据时代要求，加强正规化、专业化、职业化的数据分析师人才队伍建设，进一步提升我国数据分析师的职业素质和能力水平，涉及行业包括互联网、金融、咨询、电信、零售、医疗、旅游等，涉及岗位包括大数据、数据分析、市场、产品、运营、咨询、投资、研发等，旨在提升全民数字技能，助力企业数字化转型，推动行业数字化发展。
报考数据分析师证书要求
CDA Level Ⅰ
面向范围：人人皆需的职场数据思维与通用数据技能
1. 零基础就业转行者、应届毕业生
2. 产品、运营、营销等业务岗与研发、技术岗在职者
3. 企业创始人、经理人、管理咨询类岗位从业者
岗位去向：商业（业务）分析师、初级数据分析师、（数据）产品运营、（数字）市场营销、数据专员等
考试时间：120分钟
CDA Level II
面向范围：企业数字化发展中必备的数据分析流程与技能。
1. 产品、运营、营销等业务部门与研发、中台、技术类部门数据分析相关岗位在职者。
2. 数字化转型企业创始人与数字化流程中相关负责人。
岗位去向：数据分析师、（数据）产品运营经理、（数字）营销经理、风控建模分析师、量化策略分析师、数据治理（质量）等
考试时间：150分钟；
CDA Level III
面向范围:企业数字化发展中必备的高级数据分析方法与技术。
1. 业务岗与技术岗从事数据分析、数据挖掘、机器学习等技术在职提升者。
2. 从事算法科学、深度学习等工作的科研人员、分析师与工程师等。
岗位去向:高级数据分析师、机器学习工程师、算法工程师、数据科学家、首席数据官等[1]
考试时间：210分钟。
对数据分析岗位的岗位分析维度有哪些
数据分析员的主要工作内容：
1、根据数据分析方案进行数据分析，在既定时间内提交给市场研究人员；
2、能进行较高级的数据统计分析；
3、公司录入人员的管理和业绩考核；以及对编码人员的行业知识和问卷结构的培训；
4、录入数据库的设立，数据的校验，数据库的逻辑查错，对部分问卷的核对；
数据分析员任职要求：
知识/经验：具有数理统计，经济学，数据库原理以及相关知识；能熟练使用EXCLE、SPSS、QUANVERT、SAS等统计软件。
工作能力： 严谨的逻辑思维能力、学习能力、言语表达能力、管理能力
工作态度：积极主动、工作认真、工作严谨
互联网公司招数据分析员比较多，在一些对业绩和绩效比较注重的公司也会招数据分析员
HR招聘要分析哪些数据，如何分析，有
从持续改进的角度来看，招聘活动的各个环节都有分析改进的空间，对于招聘的分析重点可以关注以下几个方面：
1.招聘结果的分析：
招聘计划的完成情况：是否在要求的到岗时间内完成招聘工作。
2.招聘周期分析：
分析不同类岗位、不同职务级别的平均招聘周期，可以为未来为招聘活动争取更合理的招聘时间。
3.招聘成本分析：
a)分析各个招聘渠道的投入和产出情况。可以在某一类招聘渠道内进行数据分析，也可以在进行多个招聘渠道的横线比较。比如可以将网络、校招、内部推荐、招聘会等渠道进行分析对比，也可以对同时使用的多个招聘网站，进行分析，看到不同招聘网站投入的招聘费用和产出（到岗人数、有效简历数，甚至于到岗人数）之间的比值，就可以看出哪个招聘渠道效果更好。
b)分析人均的招聘到岗成本：为制订招聘预算以及降低招聘成本提供依据。
4.招聘各环节的转化率分析：
a)即从简历收取到邀约数、到面人数、录用人数之间的比率：这些数据像一个漏斗一样是逐级转化，最终产生合适的录用者。当招聘目标未达成时，可以进一步关注是哪个环节不足。另外，不断缩小比例可以提高录用效率，降低招聘成本。
5.招聘流程分析：
a)分析当前招聘流程是否有可优化的空间。比如对于不同层次的人员是否建立了清晰的面试和决策流程，流程存在什么问题，是否可以优化？
6.甄选标准的分析：
a)分析当前甄选标准是否清晰。对于那些招聘进入公司后，因不胜任工作辞退辞职的人员，要着重回顾分析是哪个环节出现了问题，是甄选标准不清楚，或者是面试活动中随意性太强？
b)是否采用了合适的面试方式，比如技术人员的面试过程中，通常要包含技术笔试的内容，而有的企业仅凭面试官与应聘者的简单沟通确定其技术能力，当人员录用后则发现能力不足的情况。
7.对面试官能力的分析：
面试官是否具体有足够的能力，能够按照特定的用人标准对应聘人员是否满足招聘要求做出判断？
人力资源经理要具备哪些优势？
（1）公正、忠信、坚定勇敢的意志力。对于人力资源经理来说。只有公正才可以做到无私，才能够客观地对人力进行评估、确定，在选拔、推荐、使用人才时才能不被各种虚幻的假象迷惑、左右。 有忠信才能在人力资源的构建上处处以企业利益为准则，确保公正的原则。只有忠信才能使自己树立高尚的个人品格，从而能在人际关系保持吸引力，建立广泛而良好的社会、人际关系，确保接触、发现、吸纳企业和组织需要的各种优秀人才。 坚定勇敢的意志力。人是一切资源中最复杂的资源。一个优秀的人力资源的经理必须具有坚定勇敢的意志力，才能使自己在人力资源的构造过程和开展自己的工作中，承受来自于各方面的压力和挑战来坚持公正、忠信的原则。 （2）对人性有正确、全面的了解以及广博的知识。人力资源经理的主要职责之一，是为企业或组织寻找、确认、选择企业或组织所需人才，只有具备对人性的正确、全面的了解，并具备对人性洞察分析能力，才能充分了解人性的特点，了解人的社会和生理需求，以及在需求未满足条件下产生的异常行为，才能具备透过表象了解他人心理的能力，具备敏锐的的观察能力、判断力，爱心和耐心等必要的实际工作能力，来保证对人才的品性、能力的正确分析、判定，以此确保对人才的寻找、判定、选择的有效和成功。 （3）亲和力和优秀的人际关系处理技巧。 只有具备亲和力，你才能保持良好的人际关系，才能得以接近和了解他人，能够有机会去倾听不同的声音和发现隐藏在事物表面下的真相，知晓在人的表象下所潜埋的内心深层意识里的真实需求和意见。 （4）具备实现人力资源有效管理的专业知识和职业能力。包括： 人力资源规划管理和人力资源管理手册设计的能力；职位分析和绩效考核管理能力；薪酬与福利管理能力；人力资源开发、培训能力；人事制度管理能力。一、 人力资源经理应克服哪些不良现象?1、不注意与直接上司的关系。直接上司是你的直接领导，也是你工作的直接安排者与工作成绩的直接考评者。搞好上级的关系不是让你去阿谀奉承，而是要注意经常与上级沟通，了解上级安排工作的意图，一起讨论一些问题的解决方案。这样可以更有利地完成自己的工作。2、 忽略企业文化。每个公司都有自己的企业文化，不论公司是否宣传这些文化，它都是客观存在的。特别是新员工，在刚来公司时，一定要留意公司的企业文化。不注意企业文化就会与其他人格格不入，影响你在其他员工中的印象。3、 对他人责全求备。每个人在工作中都可能有失误。当工作中出现问题时，应该协助去解决，而不应该只做一些求全责备式的评论。特别是在自己无法做到的情况下，让自己的下属或别人去达到这些要求，很容易使人产生反感。长此以往，这种人在公司里没有任何威信而言。4、 出尔反尔。已经确定下来的事情却经常做变更，就会让你的下属1或协助员工无从下手。你做出的承诺如果无法兑现，会失去信用。5、 行动迟缓。很多工作都是多民员工互相协作开展的，由于你一个人的迟缓而影响了整体工作的进度，会损害到大家的利益。6、 一味取悦于人。一个真正称职的员工应该对本职工作存在的问题向上级提出建议，而不应该只是附和。好好先生暂时取悦少数人，但会失去大多数人的支持。7、 传播谣言。
如何提高人力资源岗数据分析能力
先从问题本身来回答一下，培养数据分析的能力，简单说就是 理论+实践
理论：是进行分析的基础
1）基础的数据分析知识，至少知道如何做趋势分析、比较分析和细分，不然拿到一份数据就无从下手；
2）基础的统计学知识，至少基础的统计量要认识，知道这些统计量的定义和适用条件，统计学方法可以让分析过程更加严谨，结论更有说服力；
3）对数据的兴趣，以及其它的知识多多益善，让分析过程有趣起来。
实践：可以说90%的分析能力都是靠实践培养的
1）明确分析的目的。如果分析前没有明确分析的最终目标，很容易被数据绕进去，最终自己都不知道自己得出的结论到底是用来干嘛的；
2）多结合业务去看数据。数据从业务运营中来，分析当然要回归到业务中去，多熟悉了解业务可以使数据看起来更加透彻；
3）了解数据的定义和获取。最好从数据最初是怎么获取的开始了解，当然指标的统计逻辑和规则是必须熟记于心的，不然很容易就被数据给坑了；
4）最后就是不断地看数据、分析数据，这是个必经的过程，往往一个工作经验丰富的非数据分析的运营人员要比刚进来不久的数据分析师对数据的了解要深入得多，就是这个原因。
最后，相关书籍的话，不要脸的自己推荐一下，新书《网站分析实战—如何以数据驱动决策，提升网站价值》已经开始预售，应该马上就有货了，如果有兴趣的话可以关注下。
马科答案：
回答你的第一个问题。如何培养数据分析的能力？
最重要的是形成数据分析的思想、意识，并不断在实践过程中找到数据的关联性，挖掘其内在含义，提升自己的数据分析能力，并利用分析结果对未来的工作作出前瞻和指导，也同时检验自己的成果。形成闭环，不断提升自己。
如何养成这样的意识呢？简而言之
事前，采集历史数据，分析数据关联性，推测可能的模型和影响因子；
事中，采集线上数据，同前期规划模型作比较，找到实际问题中的亟待解决的问题和模型改善，为进一步产品改进等做可能性、关联性分析；
事后，归纳数据，发现自己分析的不足、考虑问题的全面性，为接下来的分析工作做经验储备；
这样的意识就是：
事前估计，为什么会有这样的预测，有什么样的数据或是模型支持此分析结果；
事中监测，有哪些突变或是自己尚未前瞻到的异常用户数据，如何将其融合到新一轮的数据分析中，如何更好的为产品改进服务；
事后总结，在这次事件中有哪些问题，问题的原因出自哪里，模型的问题还是客观性或是其他问题，不断提升自己的数据领悟力；
在数据分析中，重数据，却不拘泥于数据；考虑模型，但要动态变化；不能为数据而数据，应该是客观的评析数据，提出合理的分析结果；不断在实践中提升自己的感悟能力，这不是一朝一夕的事。数据既为上，又为己，希望你可以理解。
