人力资源管理传统上被视为纯粹的“人的职能”，与数字无关。而现在它则被置于一个独特的位置，运用公司的数据来驱动组织中的人乃至整个组织的绩效。人力资源数字化的转折点即将到来。

1月8-9日阿卡德米人力资源数据分析公开课，四位国际专业数据以及人力资源专家携手带来----最具启发性和实战性的人力分析讲解

用数据最大化人才的投入和产出

数据跟人力怎么结合，他们的结合点在哪里？

人力资源数据分析和人力数据分析的不同在哪？

人力的数据，和大数据，是一个概念吗？

人，到底能不能用数据预测？是人管人，还是数据管人？

阿卡德米为什么要做数据分析，数据分析的本质是通过数据，去验证我们的理论。它的结果可以是证明了我对一件事情的假设，但结果也可以是证伪了这件事。一旦被证伪，在这个被证伪的过程中，就会发现以前不知道，现在通过数据才会发现的规律。

美国超市通过数据挖掘发现，每周五晚上，总有个东西和婴儿纸尿裤一起卖的最好的，你猜会是什么？是奶粉吗？其他的婴儿用品？都不是。和婴儿纸尿裤一起卖的最好的是啤酒。

我在一家美国服装科技公司工作的时候，发现每次用户购物和最贵的牌子一起买的衣服永远是便宜的H&M，说明奢侈品和快消之间根本不是竞争对手，而是相辅相成。

90后离职是因为他们想来一场“说走就走的旅行吗？”还是因为我们企业对90后的管理是不合适的？到底应该如何区别管理90后？怎样的经理可以减低90后员工的流失率？

就像金融通过数据进行风险管控，筛选投资组合，最大化金融收益，企业的管理者如何利用数据最大化人才的投入与产出？

“管理者要从负责提供直觉的人转变为搜寻真相的引导者，每个决策都因依据最有用的事实。”

我们所处的物联网时代，每个人在企业内外，都在时刻产生大量的数据。首席人才管如何采集，利用，分析，应用这些数据，是为企业提升竞争优势的一大法宝。

数据不神秘，但很神奇

当拿到数据时，如何利用数据得出结论或者做出某些决定呢，一定的统计知识可以帮助企业更全面的理解问题，进而找到解决方案。同时对数据的统计分析是一个由浅入深的过程，变量的类型有哪些，他们都有哪些特点，我该如何描述一个变量，比如我公司的员工的个人收入，和公司的薪酬级别分别属于什么样的变量呢，对于连续型变量就引出了仲数、均值、方差等概念，进一步又可以引出概率分布的概念，这些属于描述性的统计，除了个人收入的变量，是不是可以联想到房价，资产组合的收入都可以用这些概念来描述，再进一步还会有假设检验的概念，用样本数据来推断总体特征，这就又属于推断统计的范畴，比如想调研华东五市某一行业，人员的从业时长和薪酬成本，在短时间，一定的成本下调研到每一个人，这显然不实际，这时候中心极限定理就起到了作用，再进一步，影响员工敬业度的因素中有领导力，全面薪酬水平，与同事关系，个人成长的机会等，那么敬业度与全面薪酬水平直觉上是有关系的，那么有没有一个量化的指标来衡量呢，此时你可能想到了相关系数，那么能不能用一个表达式来精确描述呢，能不能把刚刚所有因素全面包含进去呢，这就引出了全部线性回归，多元线性回归以及如何判定这个模型是否满足我企业的需求，比如全面序列分析，希望能在课在分享给大家

人员管理案例一瞥

背景：

全球旅行行业的领先技术提供商Sabre因减员/增员不稳定，造成其高绩效员工流失率从5%跃升至9%。

分析：

第一步：为了解高绩效员工离职主要痛点，人力分析团队审查了以下维度：团队组成、人员

技能、职能、职能与招聘工作描述差别、任期时间和薪酬比例。分析确定离职影响

率最高的因素。

第二步：追踪已离职人员职位等级、考核评分、薪资变化、性别、加班时间和职能数据。按

部门和职位等级分类，建立离职员工画像。

第三步：结合离职影响因素和离职员工画像，创建离职风险评级体系。

洞见：

发现近220名员工有超过15%的可能性会离职去其他公司。其中技术类人员（如软件开发工程师）占比最高。

采取的行动：

Sabre为有离职风险的员工制定了具体的提升员工粘性计划，包括对话讨论职业发展道路、调整其公司职责定位等，并设计员工与管理者的定期一对一互动机会。通过A/B Testing和追踪测试，人力分析组发现虽然薪酬奖励有助于留住顶尖人才，但员工与管理者的一对一互动对此影响更大。

金融工程师通过数据衡量一个人的信用，人力分析师通过数据推测一个员工的表现。

摆脱HR是行政功能的思维，通过数据分析给公司制定人才策略，将HR定位为战略的主动制定者

强大数据化的人力资源部门将为企业带来最优的人才招聘、企业文化、员工考核路径，人才储备与运用将会是企业致胜的法宝

动态管理员工，主动发现问题，自主提出战略，成为HR部门打造成企业成长最关键的一环

通过数据发掘员工的痛点，很多时候我们的自觉是与所谓的常识是相违背的：与纸尿布一起卖最多的是啤酒。选择不是越多越好而是不超过7个。方便面最大的竞争对手不是面，而是外卖。

携手全球顶尖的数据科学以及人力资源组织专家开启人力资源数据分析新征程

阿卡德米人力资源数据分析公开课2021年1月8日-1月9日重磅开启

师资

分享嘉宾： 李斌

- 盖雅学院执行院长、盖雅工场资深人力资源总监。

- 15年大型制造企业、互联网企业、非营利组织人力资源管理从业经验。

- 擅长人力资源数据分析、组织变革与发展、战略解码、企业文化和人力资源体系建设。

- 南京大学社会学硕士

师资介绍：

毛鹏清

曾担任纽约票务电商Todaytix数据总监、纽约时尚科技Finery（后被美国上市公司StitchFix收购）数据科学家、纽约金融科技Dasoma量化分析师、德勤中国咨询顾问。美国维克森林大学数据分析硕士、管理学硕士，美国福尔曼大学西方古典文学学士。拥有多年人工智能软件开发和OKR及员工考核机制设计经历。

李大卫

曾任美国Truist银行、富国银行市场风险量化分析顾问，负责银行统计模型预测管理工作。擅长整合质化与量化数据，用统计模型解决复杂应用场景需求。金融风险管理师执照(FRM)。SAS认证高级程序员。北卡罗莱纳大学数理金融硕士。

吴琦

业务流程数据化专家。现任蚂蚁金服资深产品运营，曾负责Uber Eats整个APAC市场的数据分析，为WeWork从零开始搭建数据团队。有丰富数据分析和商业产品运营经验，擅长将人力管理数据业务化。美国埃默里大学工商管理学士。

阳林

曾任某世界顶级4A广告咨询公司数据经理。微软人工智能签约讲师，Tableau  2017上海站Viz比赛冠军。台湾大学金融学学士、丹麦哥本哈根大学交换生、美国马里兰史密斯商学院营销分析硕士。

课程大纲

模块（一）建立HR数据驱动决策的思维和文化（第一天上午）

●     什么是人力资源数据分析

○     现今人力团队面对的挑战

○     人力资源数据分析带来的赋能价值

○     哪些人力数据能加以利用整合帮助决策

○     人力数据分析在全球范围的大势

○     人力数据分析如何成功

●     从战略型向数据驱动型的人力资源管理

○     HR数据分析工作的四级成熟度模型：你的公司在哪个时期

○     各个时期团队搭建、数据工具、人才和资源需求，以及可实现成果

○     案例：全球领先企业的人力数据团队发展，驱动人力决策

●     数据思维模型

○     大量数据带来的困惑或者挑战

○     从业务角度出发理解人力资源管理

模块（二）掌握HR数据基础分析思路与工具 （第一天下午）

●     数据分析思路

○     数据治理、安全运用和隐私保护

○     从数据收集、数据清洗到数据分析的全流程

○     报告 vs 分析

●     基础统计学知识及运用案例

○     初级描述性数据分析 descriptive analysis & metrics design

○     基础统计分析 foundational statistics

○     细分分析 Segmentation

○     时间趋势分析 trend analysis/time series analysis

○     交叉分析cross analysis

○     相关性分析 correlation

○     讲师带领练习

模块（三）熟知HR数据深入分析思路与工具 （第一天下午）

●     高级预测建模原理

○      简单线性回归分析Linear Regression

○     多元线性回归分析 Multivariate Regression

○     逻辑回归分析 Logistic Regression

●     高成熟度人力资源分析工具与可实现成果

○     文本挖掘和分析 Text analysis

○     员工调查设计&分析 Survey design & analysis

○     社会网络分析 social network analysis

○     机器学习概念：监督式和无监督式学习Machine learning concepts： Supervised and

Unsupervised learning

模块（四）打通数据实现数据驱动业务决策 （第二天上午）

●     人力部门内部数据运用和实践案例

○     人才招聘&发展

○     人才管理&提升

○     文化氛围

○     薪酬&福利

○     学习培训

●     人力数据整合：结合不同部门的数据帮助人力决策

○     运用数据模型和统计分析的案例

●     人力数据和业务数据整合：提高人力部门在业务上的影响和反应人力数据价值

○     运用数据模型的统计分析的案例

模块（五）用数据讲故事 （第二天下午）

●     如何用数据讲故事

○     数据可视化

○     如何避免雷区 & 运用有效的可视化图表

○     专业数据图表案例

●     如何讲好故事

○     你的观众和他们的关注点

○     如何增加你的故事影响力

○     案例和练习

模块（六）结业展望 （第二天下午）

●     人力资源数据未来发展展望