寒冬之下,如何驅動人效倍增成為企業(yè)的重要議題,也成為CEO對人力資源部的重要期待。HR想要驅動企業(yè)人效提升,既需要了解與撬動業(yè)務緊密結合的人效發(fā)力點,也需要掌握分析人效的技能和工具,進而才能構建有效的人效改善策略。人力資源數據分析,就是非常重要的、可以幫助分析人效的技能。過去兩年,李斌老師開設了十余場《人力資源數據分析技能與實務》公開課。這篇文章便是基于這一課程所講授的內容,在“人效分析”方面的一些應用思路。2022年度,《人力資源數據分析技能與實務》最新公開課將于10月15日-16日于蘇州舉辦。感興趣的伙伴可拉至文末了解詳情。
文|李斌來源 | 蓋雅學苑
人效管理的3次革命
在我看來,管理學歷史上一共有三次典型的以人效為核心的思潮革命。
第一次是發(fā)生在20世紀初美英等工業(yè)化發(fā)達國家的“效率增進運動”,其目的是通過制定和實施最佳實踐,從而識別和消除經濟社會領域中的一切浪費,代表思想是泰勒的科學管理,所以也稱為泰勒主義。
第二次是發(fā)生在20世紀下半葉的“精益生產運動”。這場由美國人戴明在日本掀起的運動,最后回到美國后再開枝散葉。精益生產的核心是通過優(yōu)化流程,提高效率,降低浪費。
第三次就是當下發(fā)生的數字化效能革命,有人也稱之為數字泰勒革命。背后的核心是通過引用數字化、算法和人工智能等技術,提升人效。
圖源/crimereads.com
最近幾年,特別是疫情發(fā)生之后,受制于外部環(huán)境的惡化,從企業(yè)的經營管理者,到數字化科技革命的推動者,以及學界和普羅大眾,人效突然成為掛在嘴邊的熱門詞匯。
但我們今天這篇文章并不打算談如何去改進人效,而是從數據分析的角度談談人效管理可能的切入角度。
實際上,在精益生產運動中,統(tǒng)計學和數據分析已經大放異彩。精益生產的先驅戴明曾經說過:“除了上帝,其他人請用數據說話!
回到當下的數字化人效革命中,一方面數字化加速推動了數據化,另一方面通過數據分析的思維本身也可以驅動人效提升。
所以,我們接下來談談在人效管理過程中所蘊含的5種人力資源數據分析思維。
第一種:特征思維
我們一般來描述現況的時候會用到事實和觀點兩部分。事實是客觀存在的,而觀點則是一種主觀判斷。
在進行數據分析的時候,我們先要進行事實收集。
特征思維,簡單來說就是用一個特征值來描述事實,是典型的描述性分析。
在人效的分析過程中,我們最初的想法都是找到一個數值來代表人效值,也就是構建一個指標。
1)通用的人效指標,人均產出
人均產出=經營產出/員工人數
這里的經營產出選取指標的時候五花八門,可以是銷售額、凈利潤、總產量、總產值、毛利、回款等等;相應的人均產出指標可能就是:人均銷售額、人均凈利潤、人均產量、人均產值、人均毛利和人均回款。
不同的行業(yè)、不同公司的不同階段,甚至不同的管理手段,決定了人效管理時究竟會選擇什么樣的指標。
我曾經看過一個例子,企業(yè)費用報銷軟件商Expensify Inc去年在美國成功上市。這家公司上市的時候只有140位員工,但其年度經常性收入(ARR)達到1.4億美元,算下來其人均ARR是100萬美元,也就是說其人效是100萬美元。
注意,這里的經營指標選擇的是ARR,人效指標是人均ARR。這是因為在SaaS行業(yè),AAR是更能夠體現企業(yè)贏利能力和財務穩(wěn)健度的指標。
2)人效指標的一個變通,用成本或者薪酬來代替人數
由于人數在統(tǒng)計的意義上有很大差異,一個初入職場的工程師和一個C級高管,也許薪酬相差好幾倍,但在計算人效指標時,都只能簡化為1個單位。
在人均薪酬差異較大的情況,或者為了更精準的計算人效,我們可以將上文提到的通用人效公式的分母從人改為錢,比如總工資額、總費用額等等。這樣創(chuàng)造出來的指標就叫元效,或者元均產值。
元效=經營產出/總工資(總費用)
上面這個公式計算出的結果就是元均銷售額、元均凈利潤、元均產量、元均產值、元均毛利和元均回款。
對于這個公式的變化,還可以將公式乘以10000,得出每萬元工資(費用)銷售額,依此類推。
同樣的思路,我們在零售行業(yè),可以將分子換成門店面積,這樣可以計算坪效;在物流快遞公司,可以換成時間,這樣可以計算時效;在賣場商超,可以換成貨物,這樣可以計算貨效。
3)我們也可以采用更綜合的效能指標,比如OLE,整體勞動效能指標體系。
在OLE的指標構成中,就包含了三個二級指標,時間利用率、生產效率和質量合格率。相對來說,在衡量人效時,就會更加客觀和包涵更多內容。
選擇什么樣的指標來作為人效的“特征”,企業(yè)需要結合自己的行業(yè)屬性、發(fā)展階段、管理水平等實際情況來決定。
第二種:比較思維
前文說過,描述現況會用到兩部分,一部分是事實,另外一部分是觀點。
觀點其實就是一種主觀評價。如果只是一個特征值,我們是無法進行評價的。
評價的第一個來源就是比較。在比較的過程中,我們才會產生是好是壞的評價。
關于人效比較的類型至少有以下幾種:
目標比較:將人效特征值與制定好的目標或者客觀的標準(行業(yè)先進水平、競爭對手水平等)進行比較。
時間比較:不同時間周期的比較(按年、季、月、日等的比較)。
屬性比較:指企業(yè)內部基于不同類別屬性(按部門、按產品、按城市、按管理者、按品類等)進行的比較。
過程比較:指對于不同流程中的階段進行的比較。特別需要說明的是,目標比較還可以演化成一種自己與自己的比較。
在很多行業(yè)里,缺乏標準效能值,或者由于發(fā)展階段差異,要趕上行業(yè)標準值太難。企業(yè)在這個時候,可以先與自己過去的值進行比較,不是看中與外部的差距,而是看中內部成長的速度。
比如,我們可以設定年度人效提升的百分比值,從而用人效值、年度預測經營產出,來預測年度人力值或者年度薪酬包等。
第三種:歸類思維
基于特征值的比較,是特征思維衍化出的第一種思維。還有一種思維也是基于特征值的衍化,這就是歸類思維。
簡單來說,歸類思維就是對于目標對象的特征值進行分類,從而獲得一種簡化認知的過程。
比如說,我們在考試的時候,通過幾個門檻值把學生的成績歸類為優(yōu)秀、良好、及格、不及格等。當有了分類后,我們對于學生的判斷,可能不需要記得準確的數值,只需要記得類別,這就是一種簡化分析。
一般來說,歸類思維可以根據維度區(qū)分出不同的模式:
1)單維度分類
比如上面的學生成績分類,在進行分類時只考慮到一個維度。
比如我們在關鍵人才識別,將人才分為關鍵人才和非關鍵人才,這其實也是一個維度。再比如對于員工績效的分類,也是一個維度。
回到人效話題,我們完全可以為人效指標設立不同的門檻,從而把人效區(qū)分為高人效、中人效和低人效等。
2)雙維度分類
顧名思義,雙維度分類就是在歸類時會考慮到兩個維度。
因為兩個維度正好可以交叉形成一個矩陣模式,所以這往往也稱之為矩陣思維、象限思維。
根據維度所分的層次,又可以形成四宮格(每個維度各2個層次)、九宮格(每個維度各3個維度)等。
在人效管理中,九宮格是比較常見的工具。
比如我們進行人才盤點所使用到的九宮格,就是一個雙維度分類。在下圖這個矩陣中,員工根據績效和能力這兩個維度,分別被納入到9個不同的象限中,從而將員工劃分為9種類型。
3)多維度分類
如果分類的標準超過了2個維度,就構成了多維度分類。一般來說,多維度分類相對更難操作,也比較復雜,所以應用不多。
我曾經構建了一個勞動力盤點的三維矩陣。在這個關于勞動力效能的盤點中,我納入了三個維度,勞動者的時間、勞動者的績效產出和勞動者的薪資compa-ratio。
然后任意兩兩維度都可以構成一個九宮格矩陣,這樣三個維度可以構成三個九宮格,27個象限。而我們要盤點的每一位員工都會進入到任意一個九宮格中的其中一個象限。
不過,如果我們進到多維度分析的模型,就不是簡化分析了,畢竟27個象限的確太多了。那如何應用呢?
我的應用方法是,根據一定的理論框架,對于每個象限進行賦分,然后將目標員工的三個象限得分相加求平均分,從而獲得勞動力價值的得分,然后再對這個得分進行相應的再分析。
比如對比不同員工的得分,獲得員工在組織內部的分布和分位,以及進一步的定量分析等。
第四種:歸因思維
前面三種思維模式,概括起來都是關于事實和評價的描述性分析。
2003年,著名的咨詢公司Gartner曾經提煉總結出了一套數據分析的框架,他們把數據分析分成了四個層次(見下圖),其中描述性分析是最基礎性的分析。
描述性分析,只會告訴我們發(fā)生了什么。
但多數時候,我們更關心原因是什么,這屬于診斷性分析。
診斷性分析背后很核心的邏輯,就是尋找事情發(fā)生的原因,通過歸因進行診斷,通過定位原因去進行改善。
歸因分析一方面可以通過一些邏輯的工具來實現,比如魚骨圖、5why框架。這種分析方法是屬于定性分析。
歸因分析也可以通過定量的工具來實現,比如相關分析、卡方檢驗、方差分析、參數檢驗等。
以方差分析為例,它是假設檢驗的一種,我們可以通過均方值的差異來檢驗某個因素是否是導致變量差異的原因(驗證相關的假設是否成立)。
假設我們獲得兩個部門所有員工的工時利用率數據,要想比較部門是否是造成工時利用率差異的原因,我們只需要對于兩組數據進行雙樣本平均差的Z檢驗。如果p值小于0.05我們就可以認定兩個部門之間在員工的工時利用率上存在顯著差距,從而可以判斷員工的部門構成影響員工工時利用率的因素。
那么接下來我們就可以在部門這個維度上去思考,為什么部門之間出現顯著差異,改善方法是什么。
診斷分析是業(yè)務改善的關鍵著力點,只有找到原因,才可以提出有效的解決方案。
第五種:預測思維
最后,還有一種很重要的數據分析,預測分析。
預測性分析,用來預測在給定的條件之下,會產生什么后果。其目的在于對未來信息的獲取,從而可以提前干預,設計出解決問題的方法。
時間序列分析是一種預測分析。基于時間序列的數據背后往往存在某些共通的規(guī)律,通過數據分析的方法,找到這種規(guī)律,并進而預測接下來時間周期內的數據,就是時間序列分析。
回歸分析也是一種預測分析。如果我們建立某種回歸方程,完全可以根據給定的自變量,預測出因變量的值。
比如,我們想去評價某公司幾十條不同產線的工時利用率的差異,我們可以去收集各個產線的更多的自變量數據,然后去通過數據分析建立線性方程:y=a1x1+a2x2+a3x3+…a7x7+…。
當然,我們也可以通過數據分析的技術確定其中有顯著影響的因子x,從而建立更有效的方程。這樣,給定相關的x值,我們就可以判斷團隊的工時利用率。
從所計算出來的方程,我們也很容易找到改善的因子。
以上五種人力資源分析的思維,也是數據分析的普遍思維。它并不僅僅應用于人效分析中,實際上可以應用于任何的人力資源分析中。
我一直說,人力資源數據分析對于很多的HR從業(yè)者來說,是一種特別的武器。當你不知道的時候,沒覺得需要它。但是當你知道了,你就會覺得它會大大改善你的工作方法,從而獲得更好的工作效率。
所以,這個意義上,學好數據分析,也是一種提升人效的方法。