HR數據分析的實用指南：如何以數據驅動人力資源決策-以研發部門離職率分析為例

Myriam Jessier on Unsplash

在當今快速變化的商業環境中，數據分析已成為HR部門不可或缺的工具。透過有效的數據分析，HR夥伴可以獲得有關於各項人力資源指標的關鍵洞察。數據分析提供了客觀的依據與證據，讓HR專業不再只是依照經驗或是直覺，不僅可以幫助我們理解員工的需求和行為，還能讓我們針對組織的挑戰規劃可行的制度，真正實現HR的數位轉型。

然而，若非資料科學或是統計學背景的HR，對於要如何進行數據分析常常一籌莫展。談到數據分析，HR直覺想到的是Python、SQL、Google Looker、Tableau等等語法或工具要學。之前曾遇到一位公司高層，甚至思考是不是要特別聘用資料分析師協助HR進行數位轉型。

然而，數據分析並沒有想像中的這麼難，我認為數據分析是一套解決問題的流程與方法，HR要養成的是數據思維。美國人力資源管理協會出版了一本HR分析的指南《Practical Guide to HR Analytics: Using Data to Inform, Transform & Empower HR Decisions》，透過八個步驟，HR也可以輕易入門數據分析，同時以研發部門離職率分析為例，幫助大家理解。

1. 定義業務挑戰

任何數據分析的起點都是清楚的定義問題。有效的問題定義應該符合SMART原則，確保其問題是具體（Specific）、可衡量（Measurable）、可實現（Achievable）、相關（Relevant）和有時限（Time-bound）。這能幫助分析聚焦並確保收集的數據與目標一致。

例如：

研發部門的高離職率問題必須要清楚定義：「研發部門在過去一年的離職率為8%，而公司整體平均離職率僅為3%。這導致開發速度延遲，並對團隊士氣產生負面影響。」

2. 組建跨職能團隊

解決複雜的人力資源問題需要來自不同部門的專業知識。先建立一個跨職能團隊能夠提供多元觀點，有助於找出更全面的解決方案。這個團隊可以包括人資和部門主管等，確保問題從各角度被仔細討論。

例如：

為解決研發部門的離職問題，可以邀請HRBP、薪酬福利HR、研發部門主管等組成的團隊。

3. 建立假設

假設能幫助我們預測變數之間是否存在關聯性，提出假設也可以幫助我們確定需要收集哪些數據，以及如何分析這些數據。這些數據可能來自多個內外部來源，並需要透過初步的資料清洗確保其準確性、完整性和一致性，數據中的錯誤或偏差會導致分析結果不準確，並影響決策。

例如：

假設研發部門的離職率問題主要來自於薪資因素，研發人員的薪資與市場相比較低，導致了高離職率。如果研發部門的員工獲得更高的薪資，那麼他們的離職就會降低

資料收集來源：

• HRIS（人力資源資訊系統）：員工資料、薪資、離職原因、離職訪談。
• ATS（求職者追蹤系統）：求職者的資料、工作薪資、面試結果、拒絕原因等。
• 員工敬業度調查：對工作、主管、公司文化等的意見和看法。
• 外部數據：市場薪資調查報告、產業趨勢等。

4. 基本數據分析

接下來，進行基本的描述性分析統計，以了解數據的分佈和趨勢。例如：計算平均值、中位數、標準差等，幫助我們識別初步的模式。

例如：

計算研發部門的平均薪資、薪資中位數、薪資範圍，並將其與求職者薪資狀況或市場薪資調查進行比較。同時，可以進一步分析離職面談記錄中的離職原因的分佈，以了解薪資因素導致離職的比重。

5. 進階數據分析

當基本的數據分析無法充分呈現問題時，我們可以採用更複雜的分析方法，如相關性分析或迴歸分析。這些分析方式能幫助我們更深入了解變數之間是否存在關聯性或因果關係。

例如：

• 相關性分析：分析研發部門薪資水準與離職率之間的關係，是否存在正相關。
• 迴歸分析：使用迴歸分析預測工作滿意度、主管滿意度、薪資等變數對離職率的影響，找出主要因子。

6. 數據驅動決策

數據分析的最終目標是根據結果提出具體的行動建議，幫助解決問題。

例如：

分析結果顯示研發部門的薪資與離職率存在正相關，HR可以建議調整薪酬政策，以提高員工的留任率。或者HR分析結果顯示缺乏職業發展機會才是導致研發部門員工離職的主因，可以建議建立更清晰的職業發展路徑，並提供更多培訓和發展機會。

7. 溝通分析結果

將數據分析結果有效傳達給相關利害關係人是關鍵。使用簡易的視覺化工具如圖表和簡報，確保數據分析結果清晰易懂，並且透過故事化的表達方式，引起公司高階主管的關注。

例如：

當向高階主管報告時，可以將重點強調研發部門離職率對公司營收和專案進度的影響，並將管理方式的改善建議提供給部門主管。

8. 評估結果與改進

在實施任何干預措施的制度後，HR應持續追蹤結果，評估是否達到了預期效果。如果結果不如預期，可能需要進一步調整策略或進行更多分析。

例如：

公司實施了新的薪酬政策後，持續追蹤研發部門的離職率是否因為新政策而下降，也可以收集員工對新政策的反饋，以了解政策的實施效果。

人力資源數據分析成熟度的提升

Deloitte的Bersin曾經提出人力資源分析「成熟度」模型，分別為：

• 第一級：營運報告-使用數據和指標來了解過去發生的事情，並試圖解釋原因
• 第二級：進階報告-積極主動地定期製作報告，並可能開始使用儀表板來呈現數據
• 第三級：策略分析-建立因果模型，試圖解釋現象背後的原因
• 第四級：預測分析-使用數據來預測未來，並利用這些預測來規劃未來

他認為大多數的公司 56%處於第一級，而30%的公司處於第二級，只有少部分的公司能夠做到策略分析甚至是預測分析。這樣的結果當然有幾項原因：HR 資料較為分散，可能來自不同的系統或平台，且無法輕易整合、人類的難以量化與不可預測性、處理個資的相關規範、資料平台的預算、人力資源涉及組織政治等等。

曾經在政大研究所修習統計實作課程時，我問老師是否可以教我更厲害的統計模型用再某題的分析上。沒想到老師居然回我：「這題你用交叉表能不能清楚分析？如果可以的話為什麼你要用到模型？」提醒我最重要的是用最合適的方法解決問題，而不是一味追求複雜的技術。因此，我也建議HR夥伴不要急於學習工具或是搭建軟體，而是應專注於試著利用現有數據來解決關鍵問題。

總之，HR數據分析是一個循序漸進的過程，不必一開始就追求分析模型或複雜的技術。相反，HR可以從基礎的業務問題入手，透過系統化的數據思維逐步培養分析能力，進而推動組織的數據驅動文化。隨著HR分析成熟度的提升，將更有能力透過數據進行精準的決策，邁向真正的HR數位轉型。