人力资源数据中心建设方案

人力资源数据中心建设方案人力资源数据中心建设方案第1页目录BI页面展示人力资源数据中心规划工具选择-BI趋势分析案例：谷歌数据分析重构人力资源管理案例：用大数据管理企业，HR大数据思绪与腾讯实践案例：baidu人力资源大数据实践案例：怎样用数据分析找对象商业智能带来陷阱…………人力资源数据中心建设方案第2页

人力资源数据中心建设探讨—BI页面展示人力资源数据中心建设方案第3页人力资源数据中心建设探讨—BI页面展示人力资源数据中心建设方案第4页

人力资源数据中心建设探讨—BI页面展示人力资源数据中心建设方案第5页人力资源数据中心建设探讨—BI页面展示人力资源数据中心建设方案第6页人力资源数据中心建设探讨—BI页面展示人力资源数据中心建设方案第7页人力资源数据中心建设探讨—BI页面展示人力资源数据中心建设方案第8页

人力资源数据中心建设探讨人力资源数据中心建设方案第9页工具选择-BI趋势分析.1人力资源数据中心建设方案第10页

人力资源数据中心建设探讨—BI工具选择你是怎样获取数据分析汇报？业务人员/决议者提出需求数据分析师筛选数据、绘制图表、生成份析汇报业务人员怎样快速自助探索完成数据可视化分析？人力资源数据中心建设方案第11页

年商业智能BI发展趋势分析主要厂商：BI产品以

SAP

、OracleBIEE、IBM

等老牌巨头为主我国BI厂商比如润乾、Smartbi、帆软、奥威Power-BI在这个周期也处于一个起步和迟缓成长久企业业务系统成熟度：伴随IT信息化系统建设成本越来越低，越来越多中小型企业也逐步重视起自己IT应用系统建设和发展上IT系统，纸质数据统计就逐步被抛弃，系统里源源不停生产数据，这个就是数据沉淀、养数据过程。主要还是数据沉淀、养数据过程用户期望与传统商业智能BI矛盾点第一，产品成本第二，项目实施周期和人力成本第三，服务响应周期长这三个问题妨碍BI系统上线多年大数据概念从年开始也逐步由内部研究、小范围市场应用逐步走向前台传统BI和新型BI分水岭（年）人力资源数据中心建设方案第12页

年商业智能BI发展趋势分析新型BI高速发展期和传统BI衰退（年-年）可视化数据分析、Self-BI

集中在我国市场出现年-年是新型BI和高速发展期也是传统BI衰退期。年整个市场和商业智能BI成长主要特点就是传统商业智能BI开始向灵敏BI转型、可视化数据分析、Self-BI

集中在我国市场出现。Tableau–年5月登陆纽交所上市，年前后

Tableau产品逐步在我国市场出现，年、年、年在我国飞速成长，产品代理合作搭档由以前几家快速增加到10来家永洪科技

–年成立，年正式推出永洪可视化分析产品，年年初取得艾瑞天使轮投资，年7月永洪科技C轮获投2亿元人民币海致BDP-年11月成立，年1月活动

IDG资本等

A

轮投资。推出

SaaSBI可视化分析产品，同类型国外产品是

DOMO我国商业智能BI厂商还有帆软、亿信华辰、润乾、同期还有

ETHINKBI、Smartbi、奥威Power-BI人力资源数据中心建设方案第13页

年商业智能BI发展趋势分析新型BI高速发展期和传统BI衰退（年-年）传统Bi衰退1.类似于

SAPBO、IBMCognos、OracleBIEE、MicrosoftBI

原有市场，受到了我国外新型

BI

工具比如Tableau、Qlik、帆软、永洪、Smartbi等厂商集体冲击。企业项目中传统BI产品逐步下线，新型BI产品集中上线。2.平均每个工作日会接到1-3个相关产品方面、项目选型方面咨询电话。90%以上用户基础上都在寻找新产品，咨询都是新BI产品工具和项目处理方案传统BI巨头产品转型Oracle

在年10月甲骨文全球大会上正式公布Oracle

数据可视化云服务Microsoft年正式推出了

PowerBIDesktop

,除了强大可视化分析服务之外，也支持云端布署IBM

在年12月推出了IBMCognosAnalytics，支持业务用户可视化自行分析业务，组成了强大自然语言进行预测性分析和交互。打通了数据准备、预测分析和可视化展现等自动化分析流程。年-年对产品进行快速调整，重点和关注:云端布署、预测性分析洞察、而预测性分析洞察背后隐藏是人工智能和机器学习。人力资源数据中心建设方案第14页

年商业智能BI发展趋势分析新型BI高速发展期和传统BI衰退（年-年）产品采购成本下降。以前采购传统BI工具成本偏高，培训、服务咨询成本都算比较高项目周期缩短、人力成本降低。以前项目周期主要消耗在

ETL

处理和数据仓库建模、性能优化等方面。如今，建模要求不再那么高，性能优化在大多数场景下也不再有问题。整个项目周期从以前月或年为单位快速降低到按天、周、月为单位IT

驱动逐步走向业务驱动。IT负责基础数据架构整理和接口开放维护，业务人员自行进行快速可视化分析和报表分析维护。新型

BI

为何优于传统

BI

？人力资源数据中心建设方案第15页

年商业智能BI发展趋势分析商业智能BI发展新趋势（年-年）第一，云端化是主要趋势

第二，BI

边界会逐步含糊

未来数据产品处理方案不但仅是处理内部取数和数据分析与展现问题，而可能经过云端数据接口拿到更多外部数据。第三，单纯BI工具价值逐步减弱大家不再单纯关注于工具本身能够实现什么样可视化效果。而愈加重视怎样利用工具进行业务价值实现，需要更多行业咨询和业务指导第四，可视化分析也需要配置轻量级

ETL

数据准备工具第五，预测性分析、人工智能和机器学习是未来新增加点第六，移动

BI

和协作办公越来越强不论产品趋势怎样发展，大家愈加关注还是怎样经过数据发掘业务价值。围绕业务价值对数据进行认知和发掘，不论大数据还是小数据，关心用户真正面临和要处理问题.人力资源数据中心建设方案第16页谷歌：数据分析重构人力资源管理.2人力资源数据中心建设方案第17页谷歌：数据分析重构人力资源管理一个成立不到20年企业为何有如此骄人业绩，谷歌领导层认为这很大程度上归功于其基于数据和数据驱动人力资源管理决议。谷歌人力资源管理关键理念第一，人力资源部门工作关键是招募高端人才、选拔培养卓越管理者、营造适于创新环境；第二，人力资源部门应成为一个科学部门，全部些人力资源决议必须有数据支撑，决议基于数据并用数据驱动决议，其准确化水平要与谷歌其它科学项目匹配。人事决议应像财务、供给链、市场销售等领域决议一样，在数据支持下提出处理方案，从而使企业拥有最优异员工，并让这些优异员工在最适当岗位上做出优异商业决议，创造优异经营业绩。谷歌基于数据分析人力资源管理方式取得了巨大成效——谷歌人事部门不但从传统“成本中心”变成了“决议中心”人力资源数据中心建设方案第18页谷歌：数据分析重构人力资源管理谷歌人力资源团体组成谷歌人力运行部最终三分之一员工虽鲜为人知但最具特色，即致力于员工数据分析“人员分析（PeopleAnalytics）团体”。这个团体组员普通含有统计、金融、组织心理学等领域博士学位，其工作包含帮助做出最优薪酬奖励决议以最长时间留住顶尖人才，推算出最优面试模式以确保招聘到最正确求职者，使专心理学和数据分析方式分析哪些员工在谷歌能够成功发展、哪些员工最可能中途离职等问题并建模。他们也针对一些领导力、决议力等问题进行更深入研究，比如，他们探索人认知启发模式，分析大家做决议或处理问题时通常会选择思维捷径，并证实这些捷径可能造成偏差。同时，这个团体研究结果也是谷歌人力运行部主动影响企业绩效最有力证实。

基于数据分析实践-优化招聘得出结论，针对同一面试者最正确面试次数为四次，即四次以上面试会收益递减，且四次之后面试评分对求职者平均得分影响甚微。氧气项目

谷歌人力运行部展开了一项长达多年名为“氧气项目(ProjectOxygen)”研究，经过试验和数据分析，他们推翻了企业创始人假设。分析师将表现最好和最差经理人进行了对比，发觉优异经理人率领团体员工离职率较低，而且这些团体从各种标准来看都拥有更高绩效。人力资源数据中心建设方案第19页谷歌：数据分析重构人力资源管理打造最优工作

在怎样平衡工作和生活这个问题上，谷歌一项名为谷歌DNA调查表明，有69%员工会一直思索工作，即使下班回家也会不停地刷新工作邮箱，以检验是否有新工作任务，但他们中超出二分之一人希望能更明确地域分工作和生活，但仅凭个人却没有能力做到。比如，谷歌都柏林办公室开展了一个名为“都柏林关灯”项目，要求员工在离创办公室回家前关闭设备。员工调查显示，开展这一项目后，压力更少，幸福感提升数据起源

谷歌人力资源管理数据起源于多个方面：员工调查与反馈；各类别员工定时360度评定数据；招聘与离职数据整理、分析；经过技术伎俩对不包括个人隐私员工工作上行为偏好跟踪分析等。另外，谷歌还善于利用其技术优势开发算法，建立数学预测模型，如其招聘预测模型和留/离职预测模型等人力资源数据中心建设方案第20页用大数据管理企业，HR大数据思绪与腾讯实践.3人力资源数据中心建设方案第21页用大数据管理企业，HR大数据思绪与腾讯实践挑战：从工业时代过渡到I时代，HR管理研究方向发生了改变I时代缘由，这个新时代是一个由internet（互联网）、individualism（个体主义）、innovation（颠覆式创新）聚合而成时代。HR，老板喊你转型升级了！传统HR管理已经无法满足变革时代需求。新时代HR管理需要转型升级，而转型升级重点，提议从三个层面着手一是HR组织模式升级–主要是三中心二是HR信息化升级：HR信息化目标将不再仅仅是信息化办公或者提升工作效率，而是经过移动端、云、BI等新技术使用，打造成能够有效连接COE、BP、SDC以及HR所服务管理者和员工信息高速公路，促成HR管理颠覆性创新。三是HR数据能力升级人力资源数据中心建设方案第22页用大数据管理企业，HR大数据思绪与腾讯实践挖掘数据而不是统计数据传统HR数据分析用最多统计方法就是描述统计、箱型图等。不过到了HR大数据分析，相关性分析、方差分析、回归分析、聚类分析、决议树模型等用会更多。大数据研究“不是因果关系，而是相关关系。”对于企业HR而言，当HR遇上大数据，在大数据平台能力，连接效能，牵引HR方向这三方面寻求突破，进行创新性研究和探索，提升HR之于企业价值和影响力HR大数据挖掘技术哪家强？搜索一下“HR+大数据”，轻松得到几百万条统计，HR大数据需要有自己玩法，需要搭建用于HR大数据分析服务器。从现在开始，扎实数据基础腾讯某个HR大数据项目为例，一次调用数据就超出了600万条，400多个字段2.数据质量决定数据价值。涂子沛在《大数据》一书中用了整整一个章节来阐述数据质量，足见数据质量主要性。在此我想用一句话来补充说明：在一堆错误数据中，你能指望得出正确分析结果吗？人力资源数据中心建设方案第23页baidu人力资源大数据实践.4人力资源数据中心建设方案第24页人力资源数据中心建设探讨---baidu人力资源大数据实践业界共识，PB这个等级基础上是大数据临界点，也就是说数据量到达PB以后，才能真正去谈大数据。那是不是说咱们人力资源就不能谈大数据了？咱们能够利用大数据思维与方法以及技术，去研究与探索人力资源管理，从而为企业人才方面决议提供高含金量依据。大数据有着4V特征，Volume数据量要大；Variety数据类型多；Velocity高实时性；另外Value价值要高人力资源数据中心建设方案第25页人力资源数据中心建设探讨---baidu人力资源大数据实践大数据时代新思维：过去咱们做数据都是采样，而大数据，实际上不是采样，而是全部数据思维模式转变：伴随大数据技术不停进步和越来越多活而完整数据源，探索到东西也将无限迫近事实与真相人力资源数据中心建设方案第26页人力资源数据中心建设探讨---baidu人力资源大数据实践人力资源数据中心建设方案第27页人力资源数据中心建设探讨---baidu人力资源大数据实践从四个层面去做：基础报表，BI分析每年都会升级一个版本；除此之外，在做主题分析，自定义分析，背后各种模型怎么输出；人力资源数据中心建设方案第28页人力资源数据中心建设探讨---baidu人力资源大数据实践人力资源数据中心建设方案第29页人力资源数据中心建设探讨---baidu人力资源大数据实践人力资源数据中心建设方案第30页怎样用数据分析找对象.5人力资源数据中心建设方案第31页人力资源数据中心建设探讨---怎样用数据分析找对象在工作中，经常利用多个数据指标对整体进行综合评价，需要把多个数据压缩成一个综合指标，这就是多指标综合评价方法。专业术语名称能吓死人，一个案例你就能够完全掌握足够装X一整年人力资源数据中心建设方案第32页人力资源数据中心建设探讨---怎样用数据分析找对象富帅们看着美女数据，在进行激烈讨论问题来了？那么，李富帅喜欢“综合起来最好”类型，到底是哪个？小龙女是最好？即使他最高，不过体重和胸围都不是最优•赵敏头发是最长，不过其它数据也不是最好人力资源数据中心建设方案第33页人力资源数据中心建设探讨---怎样用数据分析找对象要找出“综合最好”，需要把各项数据进行综合评分，这么就能帮李富帅找到心目中女神！STEP1无量纲处理Q1“量纲”是什么？就是数据单位，比如厘米、千克等等。

Q2为何要进行无量纲处理？咱们对一个美女综合评分不能直接相加，因为身高和胸围单位不一样，而且数据范围相差太大，直接相加没有任何意义，这是数据分析人员最常犯错误之一。Q3详细怎么操作？统计标准化方法：z=(x-μ)/σ其中x为某一项数据，μ为均值，σ为标准差。此种方法也叫Z标准化，比较常见。小龙女身高标准化z=(x-μ)/σ=(1.7-1.635)/0.0363=1.8

结论：赵敏综合评分最高~~~赵敏是李富帅心目中女神~~~人力资源数据中心建设方案第34页人力资源数据中心建设探讨---怎样用数据分析找对象STEP2权重确定因为李富帅提出了深入要求，需要重新找出女神，接下来咱们要做，是确定身高、头发长度、胸围权重，权重是帮咱们找出女神好方法。权重是一个相正确概念，针对某一指标而言，某一指标权重是指该指标在整体评价中相对主要程度加权之后，计算综合评分会变成这种样子：综合评分=身高得分*60%+胸围得分*30%+头发得分*10%（各个指标权重之和必须等于1）人力资源数据中心建设方案第35页人力资源数据中心建设探讨---怎样用数据分析找对象没有统一标准，简单说就是找一堆人过来凭感觉瞎猜，来，跟我一起念：pingganjuexiacai，就是拍脑门第二种：砖家调查法让每个砖家给出自己权重，并计算均值第一个：主观赋权法人力资源数据中心建设方案第36页人力资源数据中心建设探讨---怎样用数据分析找对象人力资源数据中心建设方案第37页人力资源数据中心建设探讨---怎样用数据分析找对象客观赋权法客观赋权法是与主观赋权法相对而言，是依据指标原始数据，经过数学或者统计方法处理后取得权重，常见有主成份分析、因子分析、相关、回归等。标准差系数权重法是依据每个指标变异程度大小来进行赋权，变异程度大说明能够更加好区分各个指标，应赋予更高权重，反之赋予较小权重。经过以上惨无人道计算之后...身高权重=0.093075613胸围权重=0.279571615头发权重=0.627352772人力资源数据中心建设方案第38页人力资源数据中心建设探讨---怎样用数据分析找对象主观赋权法是由人主观经验或者感受得来客观赋权法经过对原始数据处理得来，变异程度较大指标有更高权重，本例中因为美女之间头发长度相差最大，所以头发长度有最高权重假如各个指标间存在显著人为喜好、业务经验上显然某指标更主要等，用主观赋权法愈加适当、简便。（偏向于业务数据分析大多属于这类）反之，各指标间不存在哪个更主要，或者评分不包含人为喜欢或者经验上更主要，用客观赋权。主要学习一下思绪，其实每个指标假如真正有效应用，没那么轻易。一定要结合业务、对象、应用场景等深入分析。是一个很复杂过程。人力资源数据中心建设方案第39页商业智能带来陷阱.6人力资源数据中心建设方案第40页人力资源数据中心建设探讨---商业智能可能存在陷阱高管们都喜爱仪表板，为何不呢？在一个屏幕上就能够简单直观地查看操作流程、销售指标和关键业务指标。无须再等集中式数据中心提供周报或月报。一线管理者只需看一眼仪表板就能够了解工作情况，而且理想状态中，他们能够尽快做出调整。然而仪表板并非像一些管理者认为那么神奇数据分析主要包含以下方面：

描述现在和过去情况基于过去数据预测未来事件

给出一系列决议提议。大多数仪表板只能做到第一步，那就是描述发生了什么，其简练直观特点让管理者忽略了基于数据决议中非常主要细枝末节。人力资源数据中心建设方案第41页人力资源数据中心建设探讨---商业智能可能存在陷阱最危险是错误地了解原因间因果关系下面这张图是携带打火机或火柴人群得肺癌几率和不携带打火机或火柴人群得肺癌几率比较。从这个对比图中你会得出什么结论？携带打火机或火柴会造成肺癌？可能不是。你会猜测那些携带打火机或火柴人群更有可能吸烟，而正是吸烟造成癌症。然而，在他们详细商业背景下，管理者经常