慧谷分享：如何讓HR使用數據分析做好人才盤點

相信很多人都遇到過類似的經歷：如何在盤點過程中，找出群體中績效表現一直很優秀，或者績效表現持續不理想的員工對象？如果把組織看作一個整體，如何評價整體的某些變量的程度大??？如何看一個人在不同的素質維度中的位置，以及某個群體中的人才在不同的素質維度中的規律？

 

在做人才盤點的時候，我們常常遇到這些盤點問題，怎么通過數據進行相關性分析呢，使用什么算法著手？今天整理了一些內容，和大家針對5個人才盤點問題，來看看不同算法的應用。

 

算法1：標準差

盤點問題：

如何在盤點過程中，找出某個員工群體“一致性的高”和“一致性的低”的特征（能力、潛力等）？如何找出群體中績效表現一直很優秀，或者績效表現持續不理想的員工對象？

 

算法介紹：

標準差（Standard Deviation），是方差的算術平方根，用σ表示，在概率統計中經常用來反映一個數據集的離散程度，標準差越低，一致性越高。

 

 算法2：加權平均  

盤點問題：

如果把組織看作一個整體，如何評價整體的某些變量的程度大??？比如，如果把組織抽象為一個人，那么他是什么學歷水平？或者把某個群體抽象為一個人，那么他去年的績效是什么水平？

 

算法介紹：

加權平均值即將各數值乘相應的權數，加總求和得到總值，再除以單位數后得到的均值。加權平均值的大小取決于總體中各單位的數值（變量值）的大小，和各數值出現的次數（頻數）。各數值出現的次數對其在平均數中的影響起著權衡輕重的作用，又叫做權數。

 

算法3：矩陣散點分析 

盤點問題：

如何看一個人在不同的素質維度中的位置，以及某個群體中的人才在不同的素質維度中的規律？

 

算法介紹：

散點圖是指在回歸分析中，數據點在直角坐標系平面上的分布圖，用以反映因變量隨自變量而變化的大致趨勢，據此可以選擇合適的函數對數據點進行擬合。用兩組數據構成多個坐標點，考察坐標點的分布，判斷兩變量之間是否存在某種關聯，或總結坐標點的分布模式。

 

算法4：相關性分析

盤點問題：

組織最終追求的是績效，而“勝任力”是導致員工在崗位上得以“績效優秀的原因”，那么如何萃取這些績優因子呢？

 

算法介紹：

P值是用來判定假設檢驗結果的一個參數，由一代假設檢驗理論的創立者R·A·Fisher提出。P值越小，表明結果越顯著。當原假設為“兩個變量不具有相關性”時，若P值小于0.05，則可以拒絕原假設，判定兩個變量具有相關性。接下來我們再看相關系數。

 

相關系數最早是由統計學家卡爾·皮爾遜設計的統計指標，是研究變量之間線性相關程度的量，一般用字母 R表示。相關系數是用以反映變量之間相關關系密切程度的統計指標，按積差方法計算，可能呈現“正相關”或“負相關”。

算法5：擬合回歸 

盤點問題：

如何看人才在整體組織中發展的規律？——這些規律將是我們進行人才干預的“拐點”。

 

算法介紹：

在統計學中，回歸分析（Regression Analysis)指的是確定兩種或兩種以上變量間相互依賴的定量關系的一種統計分析方法。在大數據分析中，回歸分析是一種預測性的建模技術，它研究的是因變量（目標）和自變量（預測器）之間的關系。這種技術通常用于預測分析，例如，司機的魯莽駕駛與道路交通事故數量之間的關系。

 

如今這個數字化HR時代，數字化的人才發展系統，是HR的第一生產力?；酃戎铝τ跀底只肆Y源管理，努力讓HR成為算法的專家，在企業真實場景中，能夠輕松應用這些算法，優化項目實踐，體現HR對于組織的價值。隨著慧谷的不斷迭代，主成分、聚類分析等各種大數據時代的人才分析技術，正在不斷上線。我們致力于用最簡單的方式，幫助HR伙伴去應用這些算法，優化組織人才發展決策。