科石观点

杨冰:如何用数据驱动招聘管理效能「现场实录」


/以下内容来自科石合伙人杨冰顾问在某人力资源论坛现场的演讲实录,案例有删减/



今天谈一下招聘管理过程中的数据分析,首先是如何理解目的和目标。

实际上人力资源各个模块的数据分析目标都是趋同的,那就是归纳、发现或回答HR管理过程中的问题,证明或呈现人力资源管理的产出。

从这个角度讲,招聘数据分析的目标就是,如何总结与发现招聘管理过程中的问题点,作出改善决策,以及如何展开更有价值的招聘规划,改善招聘职能的定位,建立影响力。

我曾经问过一些招聘管理者,你是如何设定招聘工作的KPI的?如何证明你的工作业绩?典型的回答是:多!快!好!省!

多快好省当然也是一个蛮不错的回答,也基本是正确的回答。但是招聘这件事情放在今天,人力资源管理谋求转型突破,由外而内推动业务的导向之下,力量感和价值感是不够的。

什么是力量感和价值感?就是经营思维和逻辑高度。

那么招聘应该有什么样的逻辑和数据分析呢?

我们可以将人力资源职能价值归纳为效率、效力和影响力三个层面,效率是一个基础价值,展示过程的数据和指标。效力体现结果,达成的直观业绩和对企业管理带来的改善。影响力体现价值创造、经营思维和长远影响。

我们接下来的分析不要从效率、效力到影响力,而是倒过来,根据有影响力的招聘逻辑和数据分析,推导更有价值的招聘效力和效率分析。

招聘管理及其数据分析的关键逻辑是什么,这个问题很重要,我们可以提出以下关键点:
1.对人力与人才规划的理解
2.人效分析与人力配置模式
3.人才吸引要素与雇主品牌
4.人才观与人才画像
5.招聘成本盈亏分析

这些是更具价值和影响力的招聘逻辑与数据分析重点。招聘服务业务部门用人需求固然没错,但同时也要引导和规范业务部门的用人,这个过程不是权力大小问题,而是招聘是不是可以从经营角度出发,影响业务部门开展用人决策。下面结合上述五点做一个简要的解释。

对人力与人才规划的理解

什么是人力和人才规划,要提一个词就是SWP,叫战略人力规划,Strategic Workforce Planning,这是一个重要课题,核心讲的是基于战略和组织能力的人力总量、结构和分布比的一个设计,招聘职能要知道我公司接下来需要人员总量目标,以及各层级和各类别员工的分布比是如何的,目前的缺口是多少,后续招聘的侧重点在哪里。人才规划聚焦关键岗位层级、类别或关键岗位设置上的人才供应,需要从宏观角度了解未来的人才结构分布。

这部分内容我们换一个名词的话就是“组织形状”和“人才形状”的分析。

如何开展人效和人力配置模式的分析

人效分析聚焦在人数与企业效益、人工成本与企业效益、人数与人工成本的分析上。例如人均的销售额/利润、万元人工成本利润、人均人工成本等指标。科石顾问定义了15个人效指标,作为企业综合人效衡量的一个基准。招聘管理要从人效角度指导人数的增减规划。

因为站在企业经营角度,人效越高越好,而不是人数越多越好。因此招聘的第一原则不是多快好省,而是能不招人就不招人。

人力配置模式指的是:
组织分工是不是有一个整体原则,是否可以倡导内部临时工作组解决临时问题,开展跨部门项目工作,推动组织的无边界。
岗位编制的设计,是不是有一个整体原则,不同层级或类型的岗位,用工模式是否有一定的导向,是否做过盈亏分析,从而判断我们的用工模式。
更高效的人力配置,最终推动的就是直观的人效数据。

人才吸引要素与雇主品牌

招聘任务完成之后,我们开展一些统计和分析,这属于事后行为,当然可以据此优化后续招聘行为,但这不是高价值的招聘数据分析。招聘负责人要知道能够驱动候选人选择本公司的核心要素是什么,这些要素中有正面的,也有负面的,即驱动和限制因素,通过人才吸引要素的分析,来优化招聘体验和流程。这是一种驱动未来工作改善的分析思维。

任正非说,人才是找来的,不是招来的。特别放在今天,我们对于一些关键人才,确实需要建立人才吸引概念,要有“勾搭”和“勾引”的思维,而不是企业自上而下的“招聘”概念。

做法是,通过试用期后,在转正表格或通过谈话的方式,收集当初从投递简历开始到面试过程,以及拿到offer后确认入职,最吸引候选人加入公司的要素是哪些?这部分需要分类分层的展开数据的归纳总结与分析,如某公司基层员工首选的三项:薪资有竞争力、工作环境良好与直接上级沟通和谐。负面要素包括招聘过程的混乱、面试者的表现等。通过人才吸引要素的分析,可以帮助我们优化招聘流程与体验,真正推动招聘目标的达成和长远招聘流程改善的需要。

在招聘体验角度,可以创造有趣的招聘流程,或借助外部人力资源科技手段,提升招聘的效率和候选人体验。

雇主品牌是一个核心事项,数据分析角度,可以从社交媒体粉丝数、关注人数和活动的互动人数(或增长比率)上来体现。

人才观与人才画像

基于以上三点,招聘需要了解人力规划(业务发展需要的人才总量与结构),了解人效和配置(人力配置的标准),构建人才吸引要素和雇主品牌(凭什么吸引到人才)。在回答了以上三个问题之后,下一个关键点就是,我要的是什么样的人,这部分是需要预先思考并完成设定的,核心的方式之一就是明确人才观和构建人才画像。人才观普遍意义上就是企业的价值观,当然也有一些企业将人才应具备的关键能力当作人才观的,这部分其实不是严格意义上的人才观,而是属于接下来要讲的人才画像范畴。

人才画像的对象一般针对关键岗位(如产品经理、店长等)、人员数量较大的岗位(如工程师、客服)、关键管理层级(如部门经理、校招生)或关键岗位类别(如研发人员、销售人员)。

人才画像的表达方法有三种,第一种叫做量化高绩效人才的个人背景信息的画像,如籍贯、学历、专业、年龄等,这种模式偏刚性,也最容易操作。第二种叫做梳理高绩效人才的关键行为,主要是管理行为或日常工作行为,列举出来,作为一种画像,著名的google公司的“氧气计划”,采用的就是这种模式。第三种是能力画像,用高绩效人才的关键能力优势,作为基准,形成画像(如雷达图)。

人才画像的流程包括:1)选择样本,一般选择对象为一定比例的高绩效人才,校招生则选择绩效好、留任时间长的人员作“画像”;2)提取要素,结合以上三种方式,找出高绩效人才的共同点;3)形成画像,验证与完善;4)结果应用,主要应用在人才的招募和选拔过程,明确基准,提高效率,事半功倍。

需要补充一点的是,人才画像应作为关键参考要素,对于创新型人才,其关键未必要从过往高绩效员工中提取要素,即便是提取了,这类人才也很有可能对应不上,因为招聘本身就是寻求未知要素的过程,因此对人才画像的理解不能过于狭隘。

招聘成本盈亏分析

这部分内容也是关键点,为什么这么说呢,同样是两家快速发展中的互联网金融企业,总人数均为五千人左右,年度招聘任务都是上千人。A公司招聘团队接近三十人,部分外包策略。B公司招聘人员不到十人,大量外包策略。哪种方案更好,需要测算,不能基于一个时点进行测算,应从1-3招聘预测开始,将内外部成本,包括招聘人员的人工成本考虑进来,考虑波动性和不确定因素,核算短期和中期来看,成本最低、成效最优的方案。

以上内容我们可以将其理解为招聘管理的关键逻辑和高价值分析内容,从这个角度推导招聘效力指标或数据分析内容,就会产生以下关键点:

  • 新人一年以内的绩效跟踪

  • 入职一年内的留任率

  • 人才当量密度的增长

  • 招聘管理中的测评数据(测评漏斗)

  • 招聘到岗率(通过试用期)

  • 内推占比

  • 万元招聘成本到岗人数

  • 人才测评数据分析

  • 内部人才梯队与结构

  • 外部人才库数据


 从效率角度,将产生以下关键分析指标:

  • 人均招聘周期

  • 人均招聘成本

  • 漏斗比数据(从简历数、各轮面试数到入职人数)

  • 招聘渠道有效性对比(周期、到岗率、成本)


表面看,效率指标的价值可能略低于效力类指标,但这仅仅是从指标角度,没有充分考虑人力资源数据分析的关键方法。HR数据分析方法中有一个关键准则叫做人才细分。人才细分之后,指标对象的颗粒度变小,数据的多样化产生,常见的就是离散或集中、极值或异常值的出现、波动性等。这些背后都可以发现问题,问题发现过程产生关键价值。如分层级和分类别岗位的人均招聘成本、不同层级员工的招聘到岗率、不同时间点(年份)的招聘成本效用变化、连续五年的人均招聘成本、周期变化以及与基准值的对比(分析成本节约)等,从而发现问题,体现产出。

再比如说,漏斗比是最常见的招聘效率数据,但如果可以分析连续多年漏斗比的变化情况、漏斗形状(分析每个节点上的透过率,即大漏斗还是小漏斗?)、漏斗层次优化(体现招聘流程和效率变化)等数据,仍然可以提现招聘功能的优化与改善程度,这同样也是招聘管理过程中的高价值数据分析。

综上,基于效率、效力和价值的招聘逻辑与数据分析,我们可以建立高价值的顶层规划分析、建立关键衡量指标、开展基准分析、基于人才细分的小数据分析、相关性分析、驱动因素分析(篇幅有限,相关性和驱动因素分析部分本文并无介绍)等。

借一斑以窥全豹,HR各模块的数据分析逻辑尽是如此,首先是功能价值创造的逻辑升级,从效率、效力到影响力,接下来是数据分析、验证和标准建立,再接下来是决策分析,从而通过循环验证,促进改善提升。

必须要着重补充的是,实际上在这其中更为重要的是,如何跳出HR模块化的思维,跳出HR闭环,建立业务、组织与人才数据之间连接,分析相关指标与驱动关系,寻求最佳杠杆,支持人力资源驱动业务发展。而这些内容,才是人力资源数据分析最重要的价值所在(可参考Keystone科石人力资源数据白皮书)。应从数据驱动人力资源管理效能,提升为人才数据驱动企业业绩提升。



文章为科石咨询版权所有,未经允许,不得转载,如需转载请联系:hr@keystonecn.com