现在，数据分析已经不仅是公司高层和中层管理者所需要的决策依据，同时也成为了普通业务人员必备的能力之一，比如HR领域，“用数据说话”这一规则在人力资源领域同样适用。

最近几年在各大公司火爆的岗位：HR Analytics，就是很好的证明，很多公司高薪招聘人力资源数据分析岗位，却仍然是打着灯笼也找不到合适的人才。

原因很简单，人力资源数据分析，是HR最稀缺的能力之一，多少HR的数据分析，最后都变成了罗列数字。最常见的所谓人力资源数据分析的模板，可能就是下面这样：

员工性别比例、工作年限、地区分布、学历水平等等，把数据罗列好，配上简单的图表。

然而这样的数据，掌握基本Excel使用能力的人都能轻松统计出来，为什么要高薪聘用人力资源数据分析师来做？这样的数字统计出来了，到底代表了什么呢？好还是不好？性别比例背后的意义，是要老板自己猜吗？

只有数字罗列，没有分析，这样的数据不要也罢。而所有的数据分析，都应该有驱动业务的价值。

人力资源的数据分析，应该是通过数据获取有关组织和人才的信息，对企业在组织和人才上未来可能产生的问题进行和预测、预警、预判，并据此向业务部门提出决策意见。

这里我们就以一个真实案例，来讲解一下有价值的业务分析是怎样炼成的。

一、找到并分析业务痛点

小王是某公司总部的人力资源专员，每个月、每季度、每年，小王都要负责整理这段时间区间内员工的新增、离职、调动情况，并针对员工的构成特征、KPI绩效、工资发放等进行管理。

但是，公司的员工信息保存在OA系统中，而薪资信息又保存在另一套云ERP系统中，有一些分公司还有自己的业务系统。这些数据之间没有被打通，就像一个个孤岛，将其整合在一起需要耗费大量的人力，而就算费了老大劲整理好了数据，这些数据也存在滞后性、准确性等问题。

比如：

1、小王每个月月中就要发布通知，让各分公司将本月的人力资源信息开始汇总，之后进行上报。从发布通知到上报结束，往往需要经历2周甚至更多的时间， 白白耗费了许多人力不说，还存在严重的滞后性。

2、人力资源数据采用Excel进行上报，绩效、薪资的计算也是人工使用Excel进行核算，篡改、纰漏等数据准确性问题无法把关，全靠业务人员的责任心和专业性。

3、数据以月份为单位进行存放，当需要汇总观察趋势时候，就需要将N张Excel进行整合，费时费力，Excel的性能也堪忧。

因为以上的种种数据问题，小王每个月的大部分工作时间都在整理、核算数据，更不要提什么数据分析了。

二、选择分析工具，进行数据处理

为了解决上述问题，小王需要的是一套能够实现多数据源整合+数据处理+数据分析的软件。小王的这一需求，是许多企业推进数字化进程中的共性需求，估计看到这里很多人就想到了商业智能（BI）分析工具。

没错，BI工具能够满足从数据源到业务人员数据分析的完整流程，下面我们就用国内BI市场占有率第一的数据分析工具——FineBI，来看一看如何利用BI工具解决小王遇到的数据难题。

1、数据连接

如何将不同来源的数据基于业务分析需求进行分类管理呢？

以FineBI为例，通过多源的数据连接就可以将数据进行整合，比如传统关系型数据库MySql、Oracle和Kylin，Hive，Spark等大数据平台，从而打破业务系统中的数据孤岛。

如果选择直连模式，则可以实现实时数据展示，上一秒发生的人员变动信息，下一秒就可以在FineBI中展现出来，消灭数据迟滞的同时也降低了人力浪费，大大提升了决策效率。

2、数据关联

在数据连接的基础上，将数据表添加至FineBI的业务包进行管理后，管理员可以给这些数据表添加对应的表间关系。

• 对于IT管理员而言：只需要配置基础的数据关联和权限，分析用户无论如何进行数据处理，都一定是在其权限范围内操作，而且自助数据集的关联也可以自动继承，不需要管理员再进行配置
• 而对于业务分析人员来说：分析用户可以拿到自己权限范围内所需要的数据，进行无限次处理和分析

图为本人力资源案例的表间关联。

3、数据加工

在设置好数据连接，添加好需要的数据表并设置了表间关联后，我们可能还需要对数据进行一些处理，比如过滤掉一些不需要的数据，或者进行一些计算等等。

这时候就可以使用FineBI的自助数据集进行数据的二次加工，进行比如过滤、分组汇总、新增列、排序、合并、挖掘、R语言分析等数据处理功能，可以让不懂代码的业务人员也可以快速上手，轻松搭建各类分析模型。

4、自助分析

数据治理这些后台的底层工作完成后，业务人员就可以针对数据进行探索式分析了。直观的拖放式页面，降低业务人员学习的成本。而联动、钻取等OLAP分析功能，更帮助业务人员从多个角度探索，深入挖掘数据背后的价值。

图为FineBI的数据分析组件页面，只需要鼠标点点，便可完成复杂的可视化分析：

三、输出可视化结果，比对分析

1、新入职员工分析

我们可以通过探索分析发现以下特点：

• 今年每个月雇佣的员工数都比去年多， 有几个月的雇佣员工数明显很多；
• 从按地区和种族划分的新员工计数和在职员工计数组合图可以看出，我们在东部区域招聘的员工较之更少；
• 按年龄组划分的新员工增长率变化瀑布图显示，我们主要招聘的是年轻员工。 这种趋势可能是因大部分工作都是兼职性质所致；
• 新员工数(按性别) 饼图显示，新员工数按性别大致均分；

2、离职员工分析

我们可以通过探索分析发现以下特点：

• 左边的两个组合图显示了，与去年同期相比在职员工数和离职员工数的变化情况。 今年的在职员工数比去年多，这是由于快速雇佣所致，同时离职员工数也比去年多。
• 8 月的离职员工数比其他几个月都多。通过点击不同的区域、性别进行探索分析，发现其中东部地区的离职人数明显更多。

我们注意到，在饼图中，在职员工数按性别和年龄段均分。 接下来可以选择不同的年龄段了解各个年龄段是否按性别均分。

3、差员工分析

要探究的最后一个部分是差员工。 差员工定义为上班不超过 60 天就走人的员工。 我们正在快速雇佣，但我们是否雇佣到了优秀候选员工？

选中左侧“区域” 过滤组件中的“西北” ，并点击“差员工数(按性别)” 环形图中的“男性” 。研究“差员工数” 页上的其他图表。 我们注意到，男性差员工数比女性要多，并且 A 组中有很多差员工。

4、西北区域差员工数

如果研究“差员工数(按性别)” 环形图，并选中“区域”过滤组件中的不同区域，就会注意到，东部区域是唯一一个女性差员工数比男性要多的区域。

最后，抛开教程，实战一次

上面的内容简单的为大家展示了一个人力资源的分析案例，包含了基本的数据分析流程，但是想要真正掌握数据分析的精髓，不能只通过书面上的教程，更需要的是通过实践，

那么现在轮到你了，使用FineBI连接到自己的数据并开始分析，发现数据背后的价值。