人力资源数据中心规划建设方案.pptx

《人力资源数据中心规划建设方案.pptx》由会员分享，可在线阅读，更多相关《人力资源数据中心规划建设方案.pptx（46页珍藏版）》请在悟道方案网上搜索。

1、,人力资源数据中心规划建设方案,目 录,BI页面展示人力资源数据中心规划工具选择-BI趋势分析案例：谷歌数据分析重构人力资源管理案例：用大数据管理企业，HR大数据思路与腾讯实践案例：百度人力资源大数据实践案例：怎样用数据分析找对象商业智能带来的陷阱,人力资源数据中心建设探讨BI页面展示,人力资源数据中心建设探讨BI页面展示,人力资源数据中心建设探讨BI页面展示,人力资源数据中心建设探讨BI页面展示,人力资源数据中心建设探讨BI页面展示,人力资源数据中心建设探讨BI页面展示,人力资源数据中心建设探讨,工具选择-BI趋势分析,.,1,人力资源数据中心建设探讨BI工具选择,你是如何获取数据分析报告的

2、？,业务人员/决策者,提出需求,数据分析师,筛选数据、绘制图表、生成分析报告,业务人员如何快速自助探索完成数据可视化分析？,2017年商业智能 BI 发展趋势分析,主要厂商： BI产品以SAP 、Oracle BIEE、IBM 等老牌巨头为主国内BI厂商例如润乾、Smartbi、帆软、奥威Power-BI在这个周期也处于一个起步和缓慢成长期,企业业务系统成熟度：随着IT信息化系统建设的成本越来越低，越来越多的中小型企业也逐步重视起自己IT应用系统的建设和发展上IT系统，纸质的数据记录就逐步被抛弃，系统里源源不断的生产数据，这个就是数据沉淀、养数据的过程。,主要还是数据沉淀、养数据的过程,用户期

3、望与传统商业智能BI的矛盾点,第一，产品成本第二，项目实施周期和人力成本第三，服务响应周期长,这三个问题阻碍BI系统上线多年的大数据的概念从2013年开始也逐步由内部研究、小范围市场应用逐步走向前台,传统 BI 和新型 BI 的分水岭（2013年）,2017年商业智能 BI 发展趋势分析,新型 BI 的高速发展期和传统BI的衰退（2013年-2016年）,可视化数据分析、Self-BI的集中在国内市场出现,2013年-2016年是新型BI和高速发展期也是传统BI的衰退期。2013年整个市场和商业智能BI成长的主要特点就是传统商业智能BI开始向敏捷BI的转型、可视化数据分析、Self-BI的集中

4、在国内市场出现。,Tableau 2013年5月登陆纽交所上市，2013年前后Tableau产品逐步在国内市场出现，2014年、2015年、2016年在国内飞速成长，产品代理合作伙伴由以前的几家快速增长到10来家,永洪科技 2012年成立，2013年正式推出永洪的可视化分析产品，2014年年初获得艾瑞天使轮投资，2016年7月永洪科技C轮获投2亿元人民币,海致BDP - 2013年11月成立，2014年1月活动IDG资本等A轮投资。推出的SaaS BI可视化分析产品，同类型的国外产品是DOMO,国内的商业智能BI厂商还有帆软、亿信华辰、润乾、同期还有ETHINKBI、Smartbi、奥威Pow

5、er-BI,2017年商业智能 BI 发展趋势分析,新型 BI 的高速发展期和传统BI的衰退（2013年-2016年）,传统Bi 衰退,1. 类似于SAP BO、IBM Cognos、OracleBIEE、Microsoft BI的原有市场，受到了国内外新型BI工具比如Tableau、Qlik、帆软、永洪、Smartbi等厂商的集体冲击。企业项目中传统BI产品逐步下线，新型BI产品集中上线。,2. 平均每个工作日会接到1-3个有关产品方面、项目选型方面的咨询电话。90%以上的用户基本上都在寻找新的产品，咨询的都是新的BI产品工具和项目解决方案,传统 BI 巨头的产品转型,Oracle在2015

6、年10月的甲骨文全球大会上正式发布Oracle数据可视化云服务Microsoft 2015年正式推出了PowerBI Desktop,除了强大的可视化分析服务之外，也支持云端部署IBM在2015年12月推出了IBM Cognos Analytics，支持业务用户可视化自行分析业务，组成了强大的自然语言进行预测性分析和交互。打通了数据准备、预测分析和可视化呈现等自动化分析流程。,2013年-2016年 对产品进行 快速调整， 重点和关注: 云端部署、预测性分析洞察、而预测性分析洞察背后隐藏的是人工智能和机器学习。,2017年商业智能 BI 发展趋势分析,新型 BI 的高速发展期和传统BI的衰退（

7、2013年-2016年）,产品采购的成本下降。以前采购传统BI工具的成本偏高，培训、服务咨询成本都算比较高项目周期缩短、人力成本降低。以前的项目周期主要的消耗在ETL处理和数据仓库建模、性能优化等方面。如今，建模的要求不再那么高，性能优化在大多数场景下也不再有问题。整个项目周期从以前的月或年为单位快速的减少到按天、周、月为单位IT驱动逐步走向业务驱动。IT负责基础数据架构的整理和接口开放维护，业务人员自行进行快速的可视化分析和报表分析维护。,新型BI为什么优于传统BI？,2017年商业智能 BI 发展趋势分析,商业智能 BI 发展的新趋势（2017年-2020年）,第一，云端化是重要趋势,第二

8、，BI的边界会逐步模糊,未来的数据产品解决方案不仅仅是解决内部取数和数据分析与展现的问题，而可能通过云端的数据接口拿到更多的外部数据。,第三，单纯的BI工具价值逐步削弱,人们不再单纯的关注于工具本身能够实现什么样的可视化效果。而更加注重如何利用工具进行业务价值的实现，需要更多行业咨询和业务指导,第四，可视化分析也需要配备轻量级的ETL数据准备工具,第五，预测性分析、人工智能和机器学习是未来新的增长点,第六，移动BI和协作办公越来越强,无论产品的趋势如何发展，大家更加关注的还是如何通过数据发掘业务价值。围绕业务价值对数据进行认知和发掘，无论大数据还是小数据，关心用户真正面临的和要解决的问题.,谷

9、歌：数据分析重构人力资源管理,.,2,谷歌：数据分析重构人力资源管理,一个成立不到20年的公司为何有如此骄人的业绩，谷歌领导层认为这很大程度上归功于其基于数据和数据驱动的人力资源管理决策。,谷歌人力资源管理核心理念,第一，人力资源部门的工作核心是招募高端人才、选拔培养卓越的管理者、营造适于创新的环境；第二，人力资源部门应成为一个科学部门，所有人力资源决策必须有数据支撑，决策基于数据并用数据驱动决策，其精确化水平要与谷歌其他科学项目匹配。,人事决策应像财务、供应链、市场销售等领域的决策一样，在数据支持下提出解决方案，从而使公司拥有最优秀的员工，并让这些优秀员工在最合适的岗位上做出优秀的商业决策，

10、创造优异的经营业绩。,谷歌基于数据分析的人力资源管理方式取得了巨大成效谷歌人事部门不仅从传统的“成本中心”变成了“决策中心”,谷歌：数据分析重构人力资源管理,谷歌人力资源团队的构成,谷歌人力运营部的最后三分之一员工虽鲜为人知但最具特色，即致力于员工数据分析的“人员分析（People Analytics）团队”。这个团队的成员一般具有统计、金融、组织心理学等领域的博士学位，其工作包括帮助做出最优薪酬奖励决策以最长时间留住顶尖人才，推算出最优面试模式以确保招聘到最佳求职者，使用心理学和数据分析的方式分析哪些员工在谷歌能够成功发展、哪些员工最可能中途离职等问题并建模。他们也针对某些领导力、决策力等问

11、题进行更深入的研究，例如，他们探索人的认知启发模式，分析人们做决策或解决问题时通常会选择的思维捷径，并证明这些捷径可能导致的偏差。同时，这个团队的研究结果也是谷歌人力运营部积极影响公司绩效的最有力证明。,基于数据分析的实践-优化招聘,得出结论，针对同一面试者最佳的面试次数为四次，即四次以上的面试会收益递减，且四次之后的面试评分对求职者平均得分影响甚微。,氧气项目谷歌的人力运营部展开了一项长达多年的名为“氧气项目(Project Oxygen)”的研究，经过实验和数据分析，他们推翻了公司创始人的假设。分析师将表现最好和最差的经理人进行了对比，发现优秀经理人带领的团队员工离职率较低，而且这些团队从

12、各种标准来看都拥有更高的绩效。,谷歌：数据分析重构人力资源管理,打造最优工作在如何平衡工作和生活这个问题上，谷歌一项名为谷歌DNA的调查表明，有69% 的员工会一直思考工作，即使下班回家也会不断地刷新工作邮箱，以检查是否有新的工作任务，但他们中超过一半的人希望能更明确地区分工作和生活，但仅凭个人却没有能力做到。例如，谷歌都柏林办公室开展了一个名为“都柏林关灯”的项目，要求员工在离开办公室回家前关闭设备。员工调查显示，开展这一项目后，压力更少，幸福感提升,数据来源谷歌人力资源管理数据来源于多个方面：员工调查与反馈；各类别员工定期360度评估数据；招聘与离职数据整理、分析；通过技术手段对不涉及个人

13、隐私的员工工作上的行为偏好的跟踪分析等。此外，谷歌还善于利用其技术优势开发算法，建立数学预测模型，如其招聘预测模型和留/离职预测模型等,用大数据管理企业，HR大数据思路与腾讯实践,.,3,用大数据管理企业，HR大数据思路与腾讯实践,挑战：从工业时代过渡到I时代，HR管理研究的方向发生了变化,I时代的缘由，这个新时代是一个由internet（互联网）、individualism（个体主义）、innovation（颠覆式创新）聚合而成的时代。,HR，老板喊你转型升级了！,传统的HR管理已经无法满足变革时代的需求。新时代的HR管理需要转型升级，而转型升级的重点，建议从三个层面着手,一是HR组织模式的

14、升级 主要是三中心,二是HR信息化的升级：HR信息化的目标将不再仅仅是信息化办公或者提升工作效率，而是通过移动端、云、BI等新技术的使用，打造成能够有效连接COE、BP、SDC以及HR所服务的管理者和员工的信息高速公路，促成HR管理的颠覆性创新。,三是HR数据能力的升级,用大数据管理企业，HR大数据思路与腾讯实践,挖掘数据而不是统计数据传统的HR数据分析用的最多的统计方法就是描述统计、箱型图等。但是到了HR的大数据分析，相关性分析、方差分析、回归分析、聚类分析、决策树模型等用的会更多。大数据研究的“不是因果关系，而是相关关系。”对于企业的HR而言，当HR遇上大数据，在大数据平台能力，连接的效能

15、，牵引HR方向这三方面寻求突破，进行创新性的研究和探索，提升HR之于企业的价值和影响力,HR大数据挖掘技术哪家强？搜索一下“HR+大数据”，轻松得到几百万条记录，HR的大数据需要有自己的玩法，需要搭建用于HR大数据分析的服务器。,从现在开始，夯实数据基础腾讯的某个HR大数据项目为例，一次调用的数据就超过了600万条，400多个字段,2. 数据质量决定数据的价值。涂子沛在大数据一书中用了整整一个章节来阐述数据质量，足见数据质量的重要性。在此我想用一句话来补充说明：在一堆错误的数据中，你能指望得出正确的分析结果吗？,百度人力资源大数据实践,.,4,人力资源数据中心建设探讨-百度人力资源大数据实践,

16、业界的共识，PB这个级别基本上是大数据的临界点，也就是说数据量达到PB以后，才能真正去谈大数据。那是不是说我们人力资源就不能谈大数据了？我们可以利用大数据的思维与方法以及技术，去研究与探索人力资源管理，从而为企业人才方面的决策提供高含金量的依据。,大数据有着4V的特征，Volume数据量要大；Variety数据类型多；Velocity高实时性；另外Value价值要高,人力资源数据中心建设探讨-百度人力资源大数据实践,大数据时代的新思维：过去我们做数据都是采样，而大数据，实际上不是采样，而是全部数据,思维模式转变：随着大数据技术的不断进步和越来越多的活而完整的数据源，探索到的东西也将无限逼近事实

17、与真相,人力资源数据中心建设探讨-百度人力资源大数据实践,人力资源数据中心建设探讨-百度人力资源大数据实践,从四个层面去做：基础报表，BI分析每年都会升级一个版本；除此之外，在做主题分析，自定义分析，背后各种模型怎么输出；,人力资源数据中心建设探讨-百度人力资源大数据实践,人力资源数据中心建设探讨-百度人力资源大数据实践,怎样用数据分析找对象,.,5,人力资源数据中心建设探讨-怎样用数据分析找对象,在工作中，经常利用多个数据指标对整体进行综合评价，需要把多个数据压缩成一个综合指标，这就是多指标综合评价方法。,专业术语的名称能吓死人，一个案例你就可以完全掌握,足够装X一整年,人力资源数据中心建设

18、探讨-怎样用数据分析找对象,富帅们看着美女数据，在进行激烈的讨论,问题来了？那么，李富帅喜欢的“综合起来最好的”类型，到底是哪个？,小龙女是最好的？虽然她最高，但是体重和胸围都不是最优的赵敏头发是最长的，但是其他数据也不是最好,人力资源数据中心建设探讨-怎样用数据分析找对象,要找出“综合最好的”，需要把各项数据进行综合评分，这样就能帮李富帅找到心目中的女神！,STEP1 无量纲处理Q1 “量纲”是什么？就是数据的单位，例如厘米、公斤等等。Q2 为什么要进行无量纲处理？我们对一个美女综合评分不能直接相加，因为身高和胸围单位不同，并且数据范围相差太大，直接相加没有任何意义，这是数据分析人员最常犯的

19、错误之一。Q3 具体怎么操作？统计标准化方法：z=(x-)/其中x为某一项数据，为均值，为标准差。此种方法也叫Z标准化，比较常用。小龙女身高的标准化z=(x-)/=(1.7-1.635)/0.0363=1.8,结论：赵敏综合评分最高赵敏是李富帅心目中的女神,人力资源数据中心建设探讨-怎样用数据分析找对象,STEP2 权重确定由于李富帅提出了进一步的要求，需要重新找出女神，接下来我们要做的，是确定身高、头发长度、胸围的权重，权重是帮我们找出女神的好方法。,权重是一个相对的概念，针对某一指标而言，某一指标的权重是指该指标在整体评价中的相对重要程度,加权之后，计算综合评分会变成这种样子：综合评分=身

20、高得分*60%+胸围得分*30%+头发得分*10%（各个指标的权重之和必须等于1）,人力资源数据中心建设探讨-怎样用数据分析找对象,没有统一的标准，简单的说就是找一堆人过来凭感觉瞎猜，来，跟我一起念：ping gan jue xia cai，就是拍脑门,第二种：砖家调查法,让每个砖家给出自己的权重，并计算均值,第一种：主观赋权法,人力资源数据中心建设探讨-怎样用数据分析找对象,人力资源数据中心建设探讨-怎样用数据分析找对象,客观赋权法,客观赋权法是与主观赋权法相对而言的，是根据指标的原始数据，通过数学或者统计方法处理后获得权重，常见的有主成分分析、因子分析、相关、回归等。,标准差系数权重法是根

21、据每个指标的变异程度大小来进行赋权，变异程度大的说明能够更好的区分各个指标，应赋予更高的权重，反之赋予较小的权重。,经过以上惨无人道的计算之后.身高权重=0.093075613胸围权重=0.279571615头发权重=0.627352772,人力资源数据中心建设探讨-怎样用数据分析找对象,主观赋权法是由人的主观经验或者感受得来客观赋权法通过对原始数据的处理得来的，变异程度较大的指标有更高的权重，本例中由于美女之间头发长度相差最大，所以头发长度有最高的权重,如果各个指标间存在明显的人为喜好、业务经验上显然某指标更重要等，用主观赋权法更加合适、简便。（偏向于业务的数据分析大多属于此类）反之，各指标

22、间不存在哪个更重要，或者评分不包含人为喜欢或者经验上更重要，用客观赋权。,主要学习一下思路，其实每个指标如果真正有效应用，没那么容易。一定要结合业务、对象、应用场景等深入分析。是一个很复杂的过程。,商业智能带来的陷阱,.,6,人力资源数据中心建设探讨-商业智能可能存在的陷阱,高管们都喜爱仪表板，为什么不呢？,在一个屏幕上就可以简单直观地查看操作流程、销售指标和关键业务指标。无须再等集中式的数据中心提供的周报或月报。一线管理者只需看一眼仪表板就可以了解工作状况，并且理想状态中，他们可以尽快做出调整。,然而仪表板并非像一些管理者认为的那么神奇,数据分析主要包括以下方面：描述现在和过去的情况 基于过

23、去数据预测未来事件给出一系列决策建议,。,大多数仪表板只能做到第一步，那就是描述发生了什么，其简洁直观的特点让管理者忽视了基于数据决策中非常重要的细枝末节。,人力资源数据中心建设探讨-商业智能可能存在的陷阱,最危险的是错误地理解因素间因果关系,下面这张图是携带打火机或火柴人群得肺癌的几率和不携带打火机或火柴人群得肺癌的几率的比较。,从这个对比图中你会得出什么结论？携带打火机或火柴会导致肺癌？也许不是。你会猜测那些携带打火机或火柴的人群更有可能吸烟，而正是吸烟导致癌症。然而，在他们具体商业背景下，管理者常常会陷入陷阱，得出打火机和火柴会导致癌症的结论。仪表板会误导他们将不存在因果关系的因素用因果

24、关系串联起来。,人力资源数据中心建设探讨-商业智能可能存在的陷阱,假设管理者的目标是最大化销售。他在仪表板上帮助设计了一个简单的销售曲线。这个曲线是一条向上倾斜的周期性曲线,管理者将会更加关注销售峰值（倒数第二个顶峰），同时也会找出达到这个销售峰值的条件有哪些。然而，也有人根据以前增长周期的数据，认为图中的销售峰值所代表的真实销售量其实与销售预期相差值最大。如果我们加上销售预期曲线，就会得到下面这个图。,需要关注的时期是销售预期最高（灰色线最高处）和实际销售最低的时候。管理者想要销售成功的条件，应该注意观察这一时期，而非销售量最高或是销售预期最高的时候,数据的呈现方式数不胜数。要仪表板呈现最相

25、关和最有用的图表，需要分析人员和用户共同努力,.,.,7,人力资源数据中心建设探讨-.,报表格式：对比国外和中国，西方国家的报表，倾向于用一张表说明一个问题，而中国或者说某某公司，倾向于将尽可能多的问题集中在一张报表中，想用一张报表来表达所有问题。这种思路就会导致报表特别复杂，做起来很难，但是实际效果却不是很明显。累还无效,累还无效,修改数据：本来报表是以真实数据为原则，由数据来反映问题，但在中国的某些企业，如 *公司则遇到了如下问题。许多领导或大表哥大表姐们提出了数据修改的需求，“这个人虽然属于这个组织，但报表要放在另外的组织里啊”，领导就要这么看，怎么办?“报表里面的数字不太好看，能不能改改啊”。,结论： 不能改的话，数据就不准，不能用，我们还是线下表吧。 晕死，到底哪个不准？ 那么多特例，还要大数据分析干啥，直接抽样得了。所以从一些人口中得知，我们做了这些年BI，就一直没有成功，谁做BI谁绩效最差,人力资源数据中心建设探讨-.,