People Analytics 发展背景
施耐德的People Analytics 团队隶属于全球总部人力资源部门。2015 年至2016 年施耐德着手进行全球系统的更新迭代，实现了全球系统的统一。在此之前People Analytics 团队尚未成型，仅限于提供基本报表，2016 至2017 年，企业内意识到原有团队并未发挥出数据分析应有的效果，因此将该团队的工作流程、组织定位进行了重新梳理，从而打造了一支相对成熟的People Analytics 团队。软硬件系统、流程和团队的成熟，为施耐德People Analytics 的发展提供了坚实的土壤。
对于People Analytics 的理解
结合企业目标，深度数据驱动；
通过分析劳动力行为、趋势、个人和市场的数据，了解业务痛点， 洞察整体人才和绩效战略；
最终能够达到预测的目的，帮助组织更好地管理和做出决策。
People Analytics 发展的前提条件
◉ 系统与数据的打通
施耐德认为系统与数据的打通、清理是People Analytics 发展的重中之重。施耐德当前的系统包括招聘、学习平台、Core HR 等多个模块，这些模块都已经实现了集成。另外，对于数据质量的判定企业内已经形成了对应的流程制度与评判标准（Framework），其中包括的维度有一致性（consistency），完整度（completeness），时效性（Timeliness）。完整、有效的数据构成了企业内员工对数据结果有所信任的基础。
◉ 成熟的团队
目前施耐德People Analytics 内部已经有了较为清晰的运行模式，共有5 个分支：
Consultant：专门负责对接业务，了解业务需求，作 为业务、本地和全球人力资源的沟通桥梁，并协助People Analytics 产品落地实施；
Research：收集外部（其他公司、行业等全球范围）和内 部其他业务信息、基准数据，协助并收集各类调查反馈分析；
Visualization：基础报表，隐私和数据安全，制定数据质
量标准和管理模式搭建，以及数据框架的搭建；
Prototype：该团队更为技术导向，负责协助Consultant 及各个项目快速搭建产品原型，探索最新技术并应用到原 型搭建并完善现有产品；
Advanced Analytics：深度挖掘数据，创建模型，针对各 个不同业务部门的需求以及相关项目做更为深入、高级的 分析，如：预测分析、人才盘点等。
◉ 组织对于数据的重视
组织上下对于数据的认同和认知决定着People Analytics 能否顺利落地推行。多年前，施耐德对于数据的认同和认知并不成熟，但目前企业上下已经逐渐形成了数据驱动的文化，企业主要从以下几大措施入手改善了过往的情况：
定期与业务开展复盘，在复盘的过程中展现诸如：生产效 率、人力成本、人员流转率、离职率等数据，让数据的展 现、使用成为一种习惯。
发挥管理层的作用，施耐德高管对于数据的关注度很高， 可以通过自上而下的宣传、推行让员工在潜移默化中形成数据驱动的意识；例如将数据质量标准量化并定期评定各 区域得分，评定结果作为KPI 纳入人力资源服务绩效，以 竞赛形式结合宣传学习平台上数据相关课程进行激励。
◊ 在推行相关项目与工具之初，员工或多或少会产生抗拒心 理或有一定的不适应，因此在向员工展现数据时，可以对 于数据质量的把控、衡量指标结合实际工作流程和影响一 并展示，提升员工对于数据的信任，意识到数据的价值。
◊ 施耐德针对People Analytics在学习系统上开发了相关技 能的培训项目，并且开放给全员学习。体系化的培训课程 能够更好地让员工了解：数据是什么，碰到了相应的问题 后续的处理流程和机制如何，数据的应用能够给其带来怎 样积极的影响等。
◊ People Analytics 团队对于自身也进行了较多的宣传工作， 并且致力于在内部树立团队的品牌。具体措施包括：设计 专属签名，设立专门网站（网站上包括团队简介、团队所有 人员介绍、已有产品、数据框架流程、会定期出具的分析 仪表或项目时间表等信息）等。
◉ 人才
施耐德People Analytics 团队成员相对而言背景较为多元化，有来自业务部门、财务部门、工程设计背景的人员，每个员工都有自己较为擅长的领域。在面对数据分析的需求时，企业鼓励团队成员选择自己擅长的工作，各尽所长。
企业内部也设置了专门的开放人才平台，平台上可以自由发起项目需求，罗列所需要的技能，每位员工的技能掌握情况也在这一平台上有所收录。若某个国家或区域发起了People Analytics 的项目，在全球范围内若正好有员工技能匹配且有较高参与意愿，便可达成相应合作。
场景应用
◉ AI 分析平台
为了使数据分析结果和洞察的获得更为便捷，施耐德正在推出P@iP（People Analytics Intelligent Portal）这一平台。过去除了零散的基础报表，业务人员从提出具体的报表或分析需求到获得最终结果可视化呈现，需要近一个月甚至更多的时间，时效性便会大打折扣， 员工也难以获得实时反馈。另一方面，数据的收集准备、分析与处理往往是大批量、重复性的工作，这也让People Analytics 团队花费了大量时间，无论是分析需求方还是People Analytics 团队都难以将精力集中在更具有价值的领域。
* 2019 年一项内部调查结果表明：39% 的员工反馈得益于People Analytics 产品，其数据相关工作每周节省了平均2.1 小时。2020 年我们的目标是继续#FUYE（Free Up Your Energy），为员工在数据收集、准备、验证和报表上每周节省10 小时！
基于此，施耐德整合了所有内部数据资源搭建了这一自助AI 分析平台，并且实现了平台数据实时更新。用户通过关键词输入，系统可以自动通过过往客户的反馈和算法，呈现出最符合关键词的图表或分析。另外，在出具基础报表的同时，该平台的SPOT IQ 功能能够在客户选定关注的指标后，指出指标中需要关注的异常、问题有哪些。用户也可以在获得结果后，实时在平台上给予反馈与评价，为分析的优化提供依据。若分析结果无法满足用户需求，Advanced Analytics 这一团队便会参与进来提供支持，帮助用户解决问题。
◉ 离职分析预测
施耐德于2018 年起便开始建立离职风险模型，数据的积累对于预测结果有着至关重要的意义。企业目前会重点关注和收集的数据维度包括：
职位信息
参与培训的情况
绩效和人才盘点结果
职位晋升情况
薪酬变动情况
服务年限和岗位时长
员工认可
……
以上数据企业会按照年份、月份统一收集，然后团队会利用不同的工具进行建模，了解具体是哪些因素对于离职率有较大的影响。在明确了对应的维度后，便可结合现有员工的情况预测在职员工的离职风险，企业对于风险的高低也设定了相应的标准。最终生成离职风险报告发送给HRBP 并给出建议以便和业务经理沟通。同时结合人才盘点时经理对于部门成员离职倾向的预判，看是否与报告结果大致吻合。若吻合，下一步便会考虑是否需要干预；若不吻合，People Analytics 团队会进一步深挖是什么原因导致了差异。从而再去修正数据或者模型。
◉ 对于关键人才的支持与关注
在人才盘点识别出高潜群体后，近几年这部分人群整体的绩效情况如何，业务部门或职能部门是否给予这些人群足够的工具、权限， 帮助他们获得工作上的成功，他们在职业生涯路径上是否往健康的方向在发展，哪些因素会影响到这些员工的绩效或技能（如：平台上统计的学时数、员工认可情况等）……以上问题People Analytics 团队会通过数据持续关注，以更好地支持、赋能关键人才。
◉ 人效分析
施耐德自2018 年开始，便着手探索人效方面的测算与分析。进入2020 年后，在疫情和经济环境下行的影响下，企业对于成本和人员效能的关注度日益提升。因此，People Analytics 团队与财务部门共同合作，结合人力成本数据与人员数据，对于人员效能进行深入分析，助力业务制定更为科学的用人决策。
为业务赋能
◉ 业务需求收集
在收集业务需求方面，员工可以在自助服务平台上提交需求， 同时Consultant 也会收集对口区域/ 业务的定制化需求。People Analytics 团队会对这些需求进行初步的分类：若仅涉及初步的分析与报表，团队会告知员工可以从何处以及如何获得这些信息；若涉及更为复杂和智能化的支持，团队内就会对于需求进行更为深入的沟通， 如这一需求需要怎样的分析，涉及到哪些模块，最终要达成的目的是什么，需要用到多少的人力，其中可能涉及到的技术工具是什么，这一需求的优先度如何等。
◉ 数据结果传达及落地
People Analytics 团队中有一重要职能为Consultant，每个业务区域或部门都会有对应的Consultant 负责。Consultant 相当于一个“接口”的作用，从用户提出数据分析的需求开始，Consultant 便会参与进来。当这些需求成为具体项目或建立了专门的沟通团队后， Consultant 将负责协调后续所有的沟通、培训、结果发布、改善措施落地、变革管理等工作。
成功经验
一定要建立数据驱动、维护数据质量的意识；
拥抱变革，敢于打破常规的固化思维，尝试新技术并吸纳培养各种技能人才；
提升故事叙述的能力，将数据结果转化为可用的洞察见解，才能令人信服认可并帮助到业务决策；
这不仅仅是在人力资源的领域内涉及的事情，People Analytics 会涉及到企业内的各个业务和职能，并且可以在多个行业领域有所应用，最终影响到我们每个人无论工作还是生活的方方面面， 要用更加广阔的视野看待People Analytics。
您好，欢迎申请加入智享会！期待智享会和您一起成长！
立即申请
