资源描述
大数据时代企业人力资源管理创新分析报告,2,CONTENTS目录,人力资源管理呼唤大数据员工管理大数据分析案例,0102,3,PART,1,人力资源管理呼唤大数据,人力资源管理模式升级，客观上要求大数据支撑,1人事行政管理模式 聚焦行政事务 需要对基本数据进行整理、统计，这属于数据粗加工。资料来源：XX,2人力资源管理模式 聚焦资源使用效率 需要统计更为复杂的指标，主要是研究和提炼管理指标。,3人力资本管理模式 追求更高的投资回报 需要分析人力资本如何促进公司战略目标的实现等更高层次的命题，需要大数据分析方法与工具。4,5,大数据为人力资源管理带来独特的价值,资料来源：XX,对标-带来更加广阔的视野 企业自身的数据价值毋庸置疑，但对比才能产生更大价值。在大数据下，企业可实现指向性选择对标，大数据系统将极大地推进企业管理创新。,动态-快速适应变化的需求 大数据时代，环境变得更为不确定；大数据即时产生和处理，保证随时刷新，基于动态分析进行员工管理。在大数据时代，分析更快捷，行动更迅速。,洞察-构建把握规律的模型 数据之中蕴藏着价值。大数据将更多呈现数据本质上的真实性，反映其真实关系，帮助我们在追求科学管理上更加“极致”。,人力资源管理模式，从人力资源的投入到企业最后的业绩表现之间，有一个内在的逻辑桥梁-员工敬业度,大数据有助于化解人力资源管理难题,传统人力资源管理困局,大数据时代破局策略, 粗放式决策，整体功能弱化。没有太多数据的支撑，决策常常依靠直觉、经验和个人偏好。 传统的人力资源管理模式着眼于尽量减少甚至回避风险，所以企业里不乏谨小慎微、连连说“No”的人力资源管理模式人员。 传统的人力资源管理模式将人力资源系统的公平视为平均主义或“一刀切”，对于不同员工群体的投资呈现平均化的倾向。资料来源：XX, 大数据时代的来临，让人力资本用数量的方式来进行投资分析和管理成为可能，从而强化整体功能。 大数据时代管理则着眼于有效管理和优化风险，利用数据分析和风险管理工具，在有效消除风险的负面结果的同时，更好地利用风险带来的发展机会。 则是基于人才细分，通过挖掘不同员工群体的价值区别，最终将资源投入到能够产生最显著业务绩效的员工群体上。6,强化整体功能平衡风险机会区分群体价值,7,PART,2,员工管理大数据分析案例,8,案例1-员工需求预测1,数据收集说明 A公司的数据包含三个变量，分别是年出口额、年固定资产投资额和员工总数。选择年出口额和年固定资产投资额这两个变量的原因是它们与员工总数的相关程度很高。资料来源：XX,表 A公司近年员工数统计,9,资料来源：XX,案例1-员工需求预测2选择模型算法说明 根据数据探索性分析，我们初步选择多元线性回归模型。 把历年员工数作为因变量，把历年出口额、固定资产投资额作为自变量输入模型中，发现固定资产投资额回归系数不显著，其后去掉投资额变量，运用一元线性回归模型。Y=a0+b1*X+输入数据，构建模型员工数=165.2+0.045*X注：经统计检验，回归方程显著（p-value：1.96e90.01）,数,10,资料来源：XX,452,419,405,551,693,760,812,733,750,773,795,400,600,800,26920002005年 2006年 2007年 2008年 2009年 2010年 2011年 2012年 2013年 2014年 2015年 2016年 2017年,实际员工数（人）,预测员工数（人）949,案例1-员工需求预测3A公司2015-2017年员工需求预测,员 1200工1000,11,资料来源：XX,案例2-员工离职分析1分析说明 离职面谈是员工离职管理的重要内容，如果在离职面谈时能够提前掌握员工离职前后的情感要素，将有助于提高离职面谈的成功率。本案例介绍如何运用数据分析中比较少见的文本分析方法，从员工提交的辞职报告中挖掘情感信息仅作示范,12,案例2-员工离职分析2模型说明 文本数据挖掘(Text Mining)是指从文本数据中抽取有价值的信息和知识的计算机处理技术。文件挖掘后的一项重要功能是进行情感分析;sentiment是一个进行情感分析的R包，采用简单贝叶斯分类器（naive bayesian classifiers）对情绪（emotion, 喜、怒、哀、乐、惊、恶） 以及负面（negativity）、正面（positivity）、中立三种极性（polarity）进行划分。文本挖掘流程,3.导出词云图/情感图,1.收集数据离职文本资料来源：XX,2.机器分词,案例2-员工离职分析3,资料来源：XX,员工离职情感分析应用 总体来看，员工辞职以正文本面情绪为主，情绪相对积极、平稳，没有包含过多的负面情绪。13,图 员工离职情感分析,Thanks,
展开阅读全文