如何从多维视角考核企业的人力资源问题

如何从多维视角考核企业的人力资源问题

随着信息化建设的日益深入，企业的各个业务领域逐步实现了电子化办公和电子数据存储，如：ERP、CRM、呼叫中心（客户服务中心）、财务系统、人力资源管理系统、等等，使得企业的数据库中心存储了丰富的数据。那么，如何有效的使用这些数据，从中提取有价值的信息和知识，进而支持理性地决策呢？数据的庞杂与信息的匮乏，这一日益显著的矛盾，目前已被越来越多的企业管理者所关注。当传统的报表系统和数据统计渐渐不能满足管理者的信息需求时，商业智能，一种立足于新型技术架构的数据分析解决方案，为我们打开了全新的视野。

在企业数据的海洋中，人力资源数据也占据着一席之地。“人是企业发展中的决定因素”，企业的人力资源管理要求对员工的信息进行全面综合的分析，并将其与企业其他数据进行整合，从而辅***核和决策。在分析中，员工的基本信息、部门分布、岗位流动、业绩考核等各项数据和指标，都需要被纳入考察的视角；同时，合理地选择和组织数据、快速灵活地呈现分析结果、把握和适应各种变化性因素…，这些都是数据分析解决方案需要完成的任务。

本文将通过两个案例、四类需求，为大家介绍商业智能解决方案的设计思路，实现从多维的视角考核企业的人力资源。

案例一、快照型人事主题分析

首先，让我们从一个简单的案例入手：

案例背景：一家拥有多家子公司的大型企业，员工数量众多。企业的人力资源系统中，存储了五年来离职和在职人员的基本信息。人力资源部门要求对这些数据进行交叉分析，为企业的人员招聘提供信息参考。

需求特点：

·基于人员的基本属性进行交叉分析。基本属性包括：性别、学历、所在部门、婚姻状况、职务、级别、年龄、工龄、籍贯、是否在职等。

·分析中不涉及时间的变化因素，只针对当前状态下的人员信息进行分析，属于典型的快照型数据分析。

针对某一具体时间点上人员的信息进行交叉分析，属于最基本的分析需求，这一分析需求不需要引入时间因素，称为快照型数据分析。

让我们藉此基本分析需求，来了解一下什么是数据分析解决方案，以及这一过程为我们带来的好处。 　　数据分析解决方案由四个环节组成：

·第一个环节为数据源。数据源中包含了企业所有员工的数据。这部分数据可能是分散的，比如说：它以《员工登记表》的方式存在于一张张的Excel文件中；或者以某种特定的格式存储在网络数据库中。

·第二个环节是数据仓库。它存储着我们需要的、和分析相关的数据。我们使用DTS（Data Transform Services — 数据转换服务）等技术及工具，从数据源中获取数据，输入到数据仓库中。这一过程帮助我们去掉了那些与分析无关的数据、修正了那些不规范的数据格式、合并了某些过于明细的数据、拆分了部分不够细致的数据分类…,总之，数据仓库中的数据是为了分析而存在的，而数据源中的数据是为了保存完整和原始的事实而存在的。

·第三个环节是多维数据集。多维数据集将数据仓库中的数据按照分析所需的结构做聚合预处理，以便提供针对海量数据的高效的分析响应效率。

·第四个环节是数据展现层。它包括最终展现到决策眼前的数据报告和分析图表。同时，它为我们提供了一种工具，使得我们可以按照自己的思路，选择数据、调整报告布局，获得个性化的定制图表。最终，这一环节可以被开发成相对独立的软件产品，满座用户报表的网络管理需求。

接下来，让我们看看，针对快照型人事主题，我们可以怎样设计分析解决方案？

一、数据仓库多位数据库：

为我们描述了常见的数据特点，构成我们数据仓库和多维数据集的基本结构。其中，涉及到一些基本概念：

1. 事实表：事实表顾名思义是记录事实的表。企业中员工信息分析的事实表即为记录人员基本信息的表，包括人员的姓名、性别、籍贯、出生年月、所在部门等等。

2. 度量值和计算成员：度量值通常是事实表中存在的数值型的字段，通常代表了要分析的对象。比如我们“希望从部门和性别的角度分析员工的数量”，那么员工的数量就是度量值。有时候，我们要分析的对象并不直接存在于事实表中，比如平均工龄。这时，我们需要引入计算成员的概念：首先对工龄做汇总，算出所有员工的总工龄，而后结合员工数量计算出员工的平均工龄。这一操作可以放到多维数据集环节中实现，采用多维数据集特定的语法—MDX（MutilDimension Expression — 多维表达式），我们可以创建计算成员为：[平均工龄]=[Measures].[工龄]/[Measures].[数量]

3. 维度表：多维分析中，维度代表了要分析的角度，即要从哪个方向上去分析事实。比如我们“希望从部门和性别的角度分析员工的数量”，那么“部门”和“性别”就是维度。保存维度数据的表，我们称之为维度表。将事实表和维度表进行关联，我们可以获得丰富的分析组合和数据。

4. 维度层次：维度表中的维度包含了层次的关系，维度中的层次支持了分析中的扩展等操作，使我们可以随心所欲的获得总体情况报表或者任意粒度的细节报表。结合具体案例，由于性别、婚姻状况这类维度相对简单，因此不予分层；对于年龄、工龄和职务维度建立层次，可以支持更加丰富的分析。

在我们从逻辑上确定了数据仓库和多维数据集的基本结构以后，接下来需要思考的就是数据的来源。事实表的数据很容易找到，人力资源部门仅有的一张张《员工信息表》即为事实表。那么维度表从何而来？在快照型的人事主题分析维度数据依然来自于《员工信息表》，也就是说我们需要将《员工信息表》中的部分数据抽取出来，分类汇总成各个维度信息。

大家可能已经注意到了，在快照型人事主题分析中，工龄和年龄既做了维度又做了量度。是的，在多维分析中，这样的设计是完全可行的，不但能增强了分析的灵活性，而且使得分析的内容更加丰富。

二、分析展示：

有了分析结构，也有了需要分析的数据，大家一定迫不及待的想看看多维分析的结果。这时候，我们需要选择一款合适的客户端展现工具。目前客户端展现工具大致分为两类，一类是以Microsoft Office Excel，OWC为代表的客户端工具，这类工具的特点是廉价并且易于使用，不足是功能有限。另一类是以ProClarity、Cognos、BO等为代表的专业客户端厂商开发的客户端工具，这类工具的特点功能强大且展现内容丰富，但通常价格偏高。因此，在客户端工具的选择上我们也会根据实际情况有针对性的进行选择，对于以学习研究为目的数据分析通常选用第一类工具，对于企业中的商务应用、尤其是基于网络化管理的需求，通常选用功能强大更加专业的第二类客户端展现工具。

利用ProClarity客户端工具展现的多维分析效果图。这类工具针对业务人员设计，使得报告的最终需求者可以直接在界面上拖动各个维度和度量，随意组合自己的报告。随着后台数据的更新，报表数据自动更新。

案例二、与事件结合的人事主题分析

有了对商业职能解决方案的感性认识，接下来，让我们来看一个复杂一点的案例：

案例背景：一家大型的商贸企业，有多个销售部门，不同的部门下销售人员管理层次结构不固定，销售人员的数量也各不相同；部分销售员岗位流动性较大，比如：Tom上半年在Sale A部门工作,下半年由于工作需要,调入Sale B部门，其业绩的考核需要分开纳入其所在部门；同时，由于市场因素的压力,企业需要考核销售团队的业绩，制定业务或人员的调整方案。

分析需求：

·企业希望按照业务部门和人员分布的实际情况，以清晰的层次结构来分析每个业务人员的参与销售的业绩。

·企业希望得到每个业务部门一年的总业绩，员工的业绩计入其当时所在的部门。

·企业希望使用合理的指标考核员工的业绩，保留优秀的业务和人员。

·分析中大量涉及时间等动态的变化因素，并与企业事件有着紧密的联系。由此，与快照型人事主题分析相对比，我们将这类需求通称为与事件结合的人事主题分析。

在快照型人事主题分析的基本架构上，我们需要引入更多的技术和方法，来适应与事件结合的人事主题分析、扩展分析模型的普适性，从而提升企业整体的分析解决方案能力。

下面，我们就来看一看：如何在案例一的基础上，调整数据仓库和多维数据集，适应新的分析需求。

一、构建不平衡的部门维度层次

企业中各个部门的规模是不一样的，有的部门负责的销售区域范围广、客户多，所以将销售人员分成多个层次，如：“部门经理—销售组长—销售员工”；而另外一些部门负责的销售区域属于新兴地区或者新引入行业，销售人员不多，可能只暂设1人；半年之后，随着销售业务的扩大，原本只有1人的部门将员工数量扩大到多人，并设置了新的层次......这样就有了部门机构组织图：

那么，如果希望在这样的结构上表现清晰的部门维度层次、同时支持动态的变化，我们就需要在数据仓库和多维数据集的维度设计中，调整层次的生成方式，构建动态的、不平衡的维度。一般情况下，我们会在维度表中使用两个数据列，一列表示员工本人，另一列记录其上级员工；如此一来，在处理多维数据集的部门维度时，系统会关联两个数据列的内容，形成一棵动态的部门层次树。我们形象的称这一结构为“父子型维度”

二、构建渐变的人力资源维度

假如某一位员工Tom今年3月份之前隶属于华北销售大区的Sales A 部门，由于公司的业务拓展需要，3月份之后调入了华南销售大区的Sales B部门。在进行年终业务考核的时候，企业希望以员工当时所在的部门分别计算部门的销售业绩。

这个时候，我们发现：分析的目标不再是简单的人力资源信息本身，而是要从人力资源这个角度来分析企业的销售额、销售成本、销售利润等等各项信息。于是，我们的事实表将会是企业的“销售流水表”，而图二中的整个结构就成为了一个“人力资源维度”表组。“销售流水表”中的每一条记录，通过“员工代码”与“人力资源维度”中的员工信息形成对应。从而使我们可以透过人力资源信息考核员工的销售业绩。

在“人力资源维度”，如果仍然延用图二的结构，我们只能取到当前时间点的信息。也就是说：如果表中记录Tom属于Sales A部门，则汇总数据时，Tom的所有业绩将计入Sales A部门。这个时候，我们就需要对图二中的“人力资源快照事实表”进行改进，使之反映出岗位的流动性。由此，多维数据集汇总数据的时候，就会自动将员工的业绩记入不同的部门。

三、构建企业的动态KPIs（Key Performance Indicators — 关键绩效指标）

当我们合理地选择了人力资源数据，并将其作为分析的视角纳入到企业整体的数据分析解决方案以后，我们进一步需要的就是定制若干有效的指标，不仅仅考察员工的业绩数字，更重要的，通过其业绩的趋势、状态等动态视角，看到员工的发展潜力，选拔优秀的团队和人员。如图六（Pic6.bmp），我们通过常见的销售环比指标，可以迅速了解到员工的工作状态。在多维数据集的架构基础上，我们还可以方便地实现更多类似的考核指标。

结论

基于数据仓库和OLAP技术的数据分析目前已经走向应用阶段。这一系列技术所生成的数据整合与分析解决方案在企业人力资源管理中的应用，改变了企业中传统的人员信息分析方法。系统的高效、快捷、丰富、灵活的特点也使得大型企业中人员信息的获取更加快捷和方便，对于支持企业人事决策带来了更大的便利。

而同时，我们至此为止所谈论和涉及的，也不再仅仅是企业的人力资源这一孤立的系统了。当我们把企业的HR、CRM、ERP、Marketing…各系统中存储的数据收集起来，通过有效的架构和技术手段关联在一起，从中可以获得的信息和知识将大大超出我们的预期，给企业的运作和决策带来更多的依据。