日前，人力资源智享会联合北森发布《第二届People Analytics的发展与应用研究报告》。报告指出，尽管对比往届，国内企业对People Analytics（人力分析）的认知程度普遍增高，但仍缺乏清晰、系统、深入的认知与实践。而People Analytics能否得到有效实践将直接影响企业“数字财富”的积累，并对以业务为核心展开的科学、敏捷性应对起到关键作用。

People Analytics，即将与人相关的数据运用于对人的管理和决策之中的方法，该方法具备对未来趋势进行预警、预测和控制的价值。根据企业对People Analytics的实践诉求，主要聚焦于效率提升与成本计算和人效测算与预测两方面。

数据连接、业务稳定性制约企业实践

报告显示，约9成中国企业对于数据分析有所接触或了解，但在对People Analytics有所接触或了解的企业中，半数企业对于这一概念仅停留在“听说层面”；两成企业虽已着手实践People Analytics，但没有给出明确的名称与定位；7.63%企业实践了People Analytics，也给出了具体的名称，但并不以“People Analytics”这一词语命名；仅有8.78%的企业能明确知道People Analytics这一词语的对应含义。 

北森相关专家表示，People Analytics这一概念在国外已经普遍被HR同行们所接受，并且有相当多的从业者和专家。在中国市场，虽然有很多企业已经开始探索People Analytics-人力分析，但是系统化、模型化和工具化的程度还非常有限，这就导致PA的价值不明显，不能为企业管理者的经营和用人决策提供真正的价值。

从实践成熟度来看，有相当大一部分的企业已经实践了People Analytics或在未来2年内考虑尝试。但在已经有所实践的企业中，People Analytics的成熟度仍处于起步阶段，能实现建模预测层面分析的企业仍是少数。

其中，人力资源部门能掌握的数据仍相对有限：能掌握“财务数据”的企业为5成，能掌握“业务部门运营管理数据”的企业仅占26.60%；人力资源部门掌握的数据有限在一定程度上不利于更为复杂的分析的实现，也难以做出对于业务部门决策有所影响的分析结果。

智享会认为，人力资源部门能掌握的数据有限是影响 People Analytics发展的主要因素。

此外，北森相关专家表示，企业本身的业务发展是否成熟、稳定也决定着People Analytics是否能够有效落地。

目前基于系统的分析应用主要可以有以下几种：仅限于人力资源某一个模块的分析，如招聘、薪酬等；有核心人力资源系统，可以实现人力资源内部各个模块的综合分析；人力资源系统可以与财务数据有一定的联动，实现关于人效、人均成本方面的分析；人力资源数据与业务数据互通，可以将“人”与“事”的数据结合起来进行分析。

“如果仅限于人力资源某一个模块的分析可能只能了解到某个人力资源模块的效率情况，往往并不能很好地去凸显People Analytics的价值。要让People Analytics真正发挥应有的价值，至少应该实现人力资源内部各个模块数据的融合打通。因为大多数管理者想要看的数据结果会较为动态和随机，实时性很强，而数据建模是稳定、持续的，我们要跟踪几个恒定的指标，这样才能够将这些数据系统化、固化，最后产出有效的模型。” 

报告指出，企业管理成熟意味着有稳定的管理规范、流程、制度和系统支撑。伴随着对管理和流程的进一步优化，就需要一定的治理标准与指标。这样的企业就更有可能对People Analytics 有较好的认知，也更有可能去考虑实践。相反，对于成熟度比较低的企业，首先要考虑的是流程规范和信息化建设，以提升管理效率，规范管理动作成为首要任务。此时，对People Analytics还处于关注、探索期，尚不具备落地的条件。

企业如何开启People Analytics之路

报告显示，无论企业People Analytics处于哪个阶段，技术系统及软件都是企业最为关注的支持因素，其次分别是专业的人才及团队、企业文化这两大因素。 

随着企业实践成熟度的提升，“企业文化”愈发不容忽视。当企业处于People Analytics的起步阶段时，高管的认可与支持作为企业文化的一部分至关重要，是People Analytics是否能实现的决定性因素。而随着People Analytics的发展，员工数据思维的形成作为企业文化中另一重要组成部分，对于People Analytics走向成熟愈发关键。

在企业People Analytics应用层面，目前已经出现人均效能分析、离职风险预警分析、劳动力规划、组织能力建设等四大应用场景，并不断得到强化与聚焦。

人均效能分析中，通过数据建模进行人均效能的衡量的企业约在3成左右，主要抓取的数据因子包括员工数量、销售收入、直接人工成本（如：工资、奖金等）。

离职风险预警分析中，通过数据建模进行离职风险预警分析的企业不足3成，主要抓取的数据因子包括绩效评价、职位异动情况（如：是否晋升或轮岗）、员工企业任职年限。

而通过数据建模进行劳动力规划的企业在3成以上，人员数量、人工成本、销售成交额为主要数据因子。

组织能力建设方面，虽然人员的能力和潜力几乎所有企业都会关注，但有4成企业仍没有体系化的方法论对其进行盘点与评估。在有体系化的方法论、工具对人员能力和潜力进行评估的企业中，绝大部分依赖直线经理评估和人才盘点，用专业测评工具及 360评估的企业相对较少，量化程度不足。

北森认为，若数据分析结束后并没有在真实的业务场景中进行应用，其价值便大打折扣。要让这些分析结果真正影响业务，有两大关键点：一方面，就数据分析本身而言，不能仅仅是人力资源自己的数据，而是要和业务管理者关心的指标、数据有连接点，因为People Analytics本质上还是要帮助业务去建立数字化体系，从而使用数据，达到优化组织及人才的目的。 

另一方面，若数据分析结果涉及对于业务相关指标的评价，如：人均利润率低，业务部门往往会难以接受这样的分析结果，并且无法推动后续业务部门相关优化措施的开展。因此，比实现数据分析更加重要的是人力资源部门要与业务部门达成共识，即双方对于数据分析的逻辑、数据口径、数据质量均认可，甚至业务部门要对数据分析的结果“担责”，只有这样，数据分析才能真正让业务重视、认同，并且愿意提供更多的数据来完善分析。

同时，报告指出，大部分企业在发展People Analytics时，技术系统及软件、专业的人才及团队、企业文化的重要程度是存在一定共识的。然而，企业具体的发展路径往往因自身的业务背景、文化背景的不同而存在一定的差异，因此如何发展People Analytics并没有统一的“标准答案”。