People Analytics

人力资源
├── 六大职能块
│   ├── 招聘与配置
│   ├── 培训与发展
│   ├── 绩效管理
│   ├── 薪酬福利
│   ├── 员工关系
│   └── HR 共享服务（SSC）
├── 招聘方法论线
└── 组织与数据方向
    ├── People Analytics ← 本篇
    └── 组织发展（OD）

定位一句话：People Analytics 是"用数据回答关于人的问题"的岗位——把招聘、流动、绩效、成本这些人事事实变成可比较、可追溯的指标，让管理决策从"我觉得"变成"数据显示"。

一句话定义：People Analytics 是人力资源领域的数据分析与洞察岗位，负责搭建人力指标体系与数据底座、产出常态化报表与专题分析、评估人力资源政策与项目的效果，并用可验证的证据支持招聘、保留、组织与人力成本相关决策。

职责边界（五类日常）：

1. 指标与口径建设：定义编制、在岗、流失率、招聘周期、人均产出、人力成本等核心指标的计算口径，明确数据来源与责任方，避免同一指标在不同报表中得出不同答案
2. 数据底座与报表：从考勤、薪酬、招聘、绩效等系统取数并清洗整合，建设可复用的数据表与看板；推动报表自动化，把重复的手工统计变成定期自动产出
3. 专题分析：针对具象问题做分析，例如某类岗位流失偏高、某渠道招聘质量差、某项培训投入是否带来绩效变化；输出结论、依据与建议，并标注数据局限
4. 效果评估：用对照或前后比较的方式评估人力资源政策与项目的实际影响，识别"看起来有效"与"确实有效"的差异，避免用单一指标代替结果
5. 数据合规与伦理：管理人力数据的权限与最小可见范围，遵守个人信息保护相关要求；对个人层面的推断保持克制，不用群体相关代替个体判断

相邻岗位辨析：

判断口诀：管指标口径、做数据结论 → People Analytics；管流程执行、保证数据准确 → SSC；管某个模块的规则方案 → 薪酬／绩效；面向业务推综合人力方案 → HRBP。

入行与转出（公开口径）：

• 背景：统计学、数学、信息管理、心理学、经济学类背景常见，也有数据分析或咨询转来的路径；懂 HR 业务的分析人比只会建模的人更稀缺
• 前置知识：数据工具（表格进阶、SQL 必备、Python 或 R 之一、主流可视化工具）＋ 基础统计（相关与因果的区别、抽样偏差、显著性）＋ HR 业务知识（知道六大模块在做什么、数据从哪来）
• 常见入口：① 从 HR 部门内的数据或系统岗起步（如薪酬测算、编制与成本统计）；② 从数据分析岗转 HR 域（需要补业务理解）；③ 从咨询公司的人力资本方向转入甲方
• 适配画像：对细节与口径有洁癖；愿意反复解释"这个数字为什么是这样算的"；能把分析结论翻译成管理者听得懂的话；面对"用数据支持某个既定结论"的隐性要求时能守住底线
• 职业特点：监管对人事数据的要求持续收紧、企业对人力成本的敏感度上升，使这个方向需求稳中有升；但它的天花板取决于能否从"出报表"走到"影响决策"——只在后台跑数、不参与讨论的分析岗，很容易被工具替代
• 转出方向：转 HR 数字化与 HRIS 方向、转薪酬绩效或 OD（用数据专长做深一个模块）、转业务数据分析、转咨询与人力资本服务

这个岗位的实质：把人力问题变成可分析的问题

业务负责人常问的是「为什么这个团队离职这么多」「招人为什么这么慢」「培训投入到底有没有用」。这些问题的共同点是模糊——分析师的价值，首先是把模糊问题翻译成可量化、可验证的问题。

例如「离职多」可以拆成：整体离职率是多少、与同类岗位或历史水平相比如何、集中在哪些人群与阶段、是主动还是被动、离开后去了什么方向。问题被拆开之后，答案往往已经浮现一半。

因此这个岗位不是「会用工具的人」，而是能定义问题、能解释结果、能让结论被用起来的人。

一个分析项目怎么走

第一步：问题定义。 与业务方确认要回答什么问题、期望影响什么决策、什么时点要结果。跳步到「先跑个数据看看」的项目，通常都会失败。

第二步：数据准备。 确定数据来源、口径、时间范围与人群范围，处理缺失与异常。这一步通常占整个项目一半以上的时间。

第三步：分析。 从描述性统计开始（现状是什么），再根据需要做分组比较、趋势拆解或相关分析。

第四步：验证。 换一个时间段、换一种切分方法、检查极端样本，看结论是否仍然成立。

第五步：沟通与落地。 用业务能理解的语言呈现结论，并明确建议与责任方。

第六步：跟踪效果。 措施实施后回到数据上验证是否真的改善，这是闭环成立与否的关键。

指标体系怎么搭

• 人员结构：编制与在岗、年龄与司龄分布、职级结构、人均产出；
• 流动：整体与分组离职率、新人早期流失率、关键岗位稳定性、内部流动率；
• 招聘：到岗周期、渠道转化效率、试用期通过率、招聘成本；
• 绩效与能力：目标达成分布、高绩效留存、关键能力覆盖率；
• 成本与效率：人力成本率、人力投入产出、人均效率；
• 体验与敬业度：调研得分、参与率、投诉与争议数量。

指标不是越多越好。 一个可用的指标体系的判断标准是：每个指标背后都有一个能对应的管理动作。

数据来源与常见质量问题

常见来源包括人事信息系统、考勤与排班系统、招聘系统、绩效系统、培训记录与员工调研。问题几乎总出现在「拼起来」的时候：

• 口径不一致：同一个「在职人数」在不同报表里定义不同（是否含试用期、是否含待岗）；
• 口径随时间变化：制度调整后，几年前的离职率与现在不可直接比较；
• 数据缺失与错填：部门归属、岗位名称、入离职时间等基础字段的准确性问题；
• 系统之间对不上：招聘系统的入职时间与人事系统的入岗时间不一致。

处理方式不是「先把数据洗干净再干别的」，而是建立一份口径说明并持续维护——记录每个指标的定义、来源与变更历史。这份说明往往是分析师最被低估的资产。

分析与决策之间的鸿沟

分析报告没人用，通常不是准确性问题，而是三个原因：

1. 时点不对：业务已经做完决策，报告才出来；
2. 语言不对：用的是统计语言，而决策者需要的是「会发生什么、建议做什么」；
3. 结论无法执行：说清了现象，但没指出责任方与可行动作。

因此一名成熟的分析师，通常会把一半精力放在「怎么让结论被用起来」上——提前介入决策节奏、用业务的语言写结论、把建议落到具体动作。

一个实务难点：离职预测为什么常失败

这类项目在行业内尝试很多，但真正长期跑通的不多，原因通常是：

• 数据里的信号太弱：可用的字段多为结构化的客观信息，而影响离职的因素常在于个人处境与管理体验；
• 结果难以行动：即使预测出「这个人可能离职」，也未必有合法合规、且尊重个人的干预手段；
• 把相关性当因果：把「班车频率」这类表面相关因素当作原因去处理，结果自然无效。

更务实的做法是把分析目标从「预测个人」转向「改善系统」——找出哪些团队、哪些阶段、哪些管理动作与流失相关，然后去改流程与政策。

数据伦理与合规的红线

人力数据的敏感度很高，行业内的共识是先立规则再谈分析：

• 目的限定：数据只能用于明确的、与人事管理相关的目的，不做无限扩展；
• 最小必要：不因为「以后可能有用」而收集敏感信息；
• 避免个体伤害：分析结果不宜用于针对个人的自动化决策，涉及个人权益的决定必须有人参与判断；
• 权限与留痕：谁能看、看了做什么，需要有制度约束。

这类规范不是额外负担：一旦发生数据滥用，岗位与机构付出的代价远超分析带来的收益。

三个常见认知误区

• 以为这行是「做报表的」。 真正的门槛是问题定义与解释能力，工具只是手段；
• 以为越复杂的方法越专业。 能用一个简单的比较说清问题，比上一个复杂模型更有价值；
• 以为数据能代替判断。 数据说明现象与相关关系，决策要结合业务处境与价值取舍，这部分仍是人的责任。

知识结构与成长路径

知识结构：人力资源各模块的基本逻辑（不懂 HR 业务就无法定义问题）、统计与数据工具、业务理解力、表达与沟通能力。

成长路径：分析专员 → 高级分析师 → 人力数据负责人／HR 战略与分析方向。横向出口包括业务分析、人力咨询、以及业务侧的数据岗位。这条线的优势是「懂人又懂数」，稀缺性在组织规模变大时更明显。

与业务方沟通的几个实用做法

• 先问决策，再问需求：问清「这个结论会用在什么决定上」，能避免大量无用分析；
• 给三档而不是一个答案：快速版（当下能给的结论）、标准版、深度版，让业务方自己选，比替他决定更有效；
• 结论放在第一句：业务方时间有限，把「所以呢」写在最前面；
• 明确下一步与责任人：报告结尾写清建议动作、谁来做、什么时候回看。

一个成长建议

把每一次分析的结论与后来的实际结果做对照，是这条线进步最快的方法。预测与判断留档、定期回看，两三年后的判断力差距会非常明显——这也是这个岗位从「会取数」走向「能定论」的关键动作。

一个常被问到的问题：分析师要不要懂业务

答案是必须懂，而且这是区分「取数的人」和「能定论的人」的分界线。

懂业务意味着知道：这个指标背后的动作是什么、谁会因为这份分析改变行为、哪些结论在现实中根本不可执行。缺少这层理解的分析，往往在技术上都对，但没人用。

因此这个岗位的成长建议之一，是有意识地走进业务场景——参加业务例会、旁听团队复盘、跟着招聘或培训的人跑几次现场。这些经历不会立刻体现在产出上，但会决定你分析的质量上限。