第二届People_Analytics的发展与应用研究报告_92页_8mb

报告摘要

第二届 People Analytics 的发展与应用研究报告总结

核心内容

第二届《People Analytics 的发展与应用研究报告》围绕“知”与“行”两个维度，探讨了国内企业在People Analytics方面的认知与实践现状，并结合多个企业案例，分析了如何开启People Analytics之路。报告指出，尽管People Analytics在概念上逐渐被企业接受，但整体仍处于初级阶段，企业普遍缺乏统一的命名、系统化的数据分析模型以及成熟的业务赋能能力。

主要观点

认知发展：
本届调研显示，约90%的企业对数据分析有所接触或了解，且“用数据说话”逐渐成为企业共识。尽管企业对People Analytics的理解存在差异，但多数企业能够将其与“人力资本分析”“HR Analytics”等概念联系起来。
实践现状：
约40%的企业已经有所实践，约40%的企业计划在未来两年内尝试。目前，多数企业仍处于Level1或Level2的初级阶段，即数据收集和初步分析阶段，建模预测能力尚不成熟。
关键驱动要素：
技术系统及软件、专业人才及团队、企业文化是推动People Analytics发展的三大核心要素。随着企业实践成熟度的提升，企业文化的重要性逐渐凸显。
应用场景：
企业主要聚焦于效率提升与成本计算类、人效测算与预测类两大类场景。前者通常基于现有系统，后者则需要数据建模与预测能力。
数据基础与治理：
人力资源部门掌握的数据主要集中在基本人事数据和人力资源管理数据，财务与业务数据较少。同时，数据治理是实现有效分析的重要前提，企业需建立统一的数据口径和质量标准。

关键信息

企业如何开启 People Analytics 之路

技术系统及软件：
技术系统是企业开展People Analytics的基础，如核心人事系统、招聘系统、ERP系统等。多数企业已开始系统整合，但仍有部分企业尚未实现。
专业人才与团队：
企业需要具备数据建模、清洗、分析等技能的专业人才。部分企业通过内部培养或引入跨界人才来构建团队。
企业文化：
企业文化对数据价值的认可是推动People Analytics落地的重要因素。企业需建立数据驱动的文化，鼓励员工接受数据支持的决策方式。
数据治理与质量：
企业需重视数据质量，建立统一的数据标准与治理机制，以确保分析结果的准确性和可信度。

企业实践现状

成熟度层次：
多数企业处于Level1（数据收集与初步分析）和Level2（建立统一数据库、分析工具使用）阶段，仅有少数企业具备建模预测能力。
数据应用场景：
主要集中在效率提升、离职风险预警、劳动力规划、组织能力建设等场景。
数据来源：
企业可掌握的数据包括基本人事数据、人力资源管理数据、财务数据和部分业务数据。其中，业务数据的获取仍较为困难。

企业案例摘要

虎彩印艺股份有限公司：
- 专业人才、软硬件系统支持、成熟的数据分析思路是People Analytics实现的前提。
- 通过内部培养和外部引进，组建了专业团队，并结合业务场景进行数据分析。
- 建立了数据中台，整合了多个系统数据，支持数据可视化和分析。
景瑞控股有限公司：
- 通过数据支持组织人员发展，如绩效评估、人才保留等。
- 数据分析主要集中在人力资源领域，如成本分析、人效测算等。
罗氏（中国）投资有限公司：
- 重视组织与员工对数据的认同，推动数据文化的建设。
- 通过系统整合与数据清洗，建立了数据仓库，为分析提供支持。
- 引入复合型人才，实现业务与数据的融合。
施耐德电气（中国）有限公司：
- 强调系统与数据的打通，建立统一的数据质量标准。
- 构建了跨部门协作的团队，包括顾问、研究员、可视化、原型设计和高级分析团队。
- 通过培训与宣传，提升员工对数据的接受度与使用率。
同程艺龙：
- 高层支持与内部数据文化是People Analytics推进的重要保障。
- 通过数据平台的建设，实现数据的整合与可视化。
- 采用数据仓库作为数据中转站，提升分析效率，减少对业务系统的压力。
周大福珠宝金行有限公司：
- 高管与文化支持是People Analytics发展的基础。
- 通过系统整合与数据治理，实现数据的统一口径与高质量。
- IT团队与HRIS团队的协作是系统建设与优化的重要保障。
北森：
- People Analytics在国内仍处于初级阶段，需加强系统集成、人才储备与数据治理。
- 企业应从效率分析与效益分析入手，逐步实现组织能力与文化分析。