肯耐珂萨分享：如何让HR使用数据分析做好人才盘点

相信很多人都遇到过类似的经历：如何在盘点过程中，找出群体中绩效表现一直很优秀，或者绩效表现持续不理想的员工对象？如果把组织看作一个整体，如何评价整体的某些变量的程度大小？如何看一个人在不同的素质维度中的位置，以及某个群体中的人才在不同的素质维度中的规律？……

在做人才盘点的时候，我们常常遇到这些盘点问题，怎么通过数据进行相关性分析呢，使用什么算法着手？今天整理了一些内容，和大家针对5个人才盘点问题，来看看不同算法的应用。

算法1：标准差

盘点问题：

如何在盘点过程中，找出某个员工群体“一致性的高”和“一致性的低”的特征（能力、潜力等）？如何找出群体中绩效表现一直很优秀，或者绩效表现持续不理想的员工对象？

算法介绍：

标准差（Standard Deviation），是方差的算术平方根，用σ表示，在概率统计中经常用来反映一个数据集的离散程度，标准差越低，一致性越高。

标准差应用示例：

算法2：加权平均

盘点问题：

如果把组织看作一个整体，如何评价整体的某些变量的程度大小？比如，如果把组织抽象为一个人，那么他是什么学历水平？或者把某个群体抽象为一个人，那么他去年的绩效是什么水平？

算法介绍：

加权平均值即将各数值乘相应的权数，加总求和得到总值，再除以单位数后得到的均值。加权平均值的大小取决于总体中各单位的数值（变量值）的大小，和各数值出现的次数（频数）。各数值出现的次数对其在平均数中的影响起着权衡轻重的作用，又叫做权数。

加权平均应用示例：

水晶球系统提供了加权平均算法，选取相应的变量，并赋予权重，即可自动化生成结果。

以每个员工三年绩效的加权平均值代表他整体的绩效表现，结合三年绩效分数的标准差，我们可以界定稳定的高绩效与持续的低绩效员工分布情况。

算法3：矩阵散点分析

盘点问题：

如何看一个人在不同的素质维度中的位置，以及某个群体中的人才在不同的素质维度中的规律？

算法介绍：

散点图是指在回归分析中，数据点在直角坐标系平面上的分布图，用以反映因变量随自变量而变化的大致趋势，据此可以选择合适的函数对数据点进行拟合。用两组数据构成多个坐标点，考察坐标点的分布，判断两变量之间是否存在某种关联，或总结坐标点的分布模式。

矩阵散点应用示例：

在散点图中，X轴、Y轴支持多种维度组合，如能力与绩效、能力与动力、绩效与潜力等，通过多个“窗口”呈现人才循证的结论。

算法4：相关性分析

盘点问题：

组织最终追求的是绩效，而“胜任力”是导致员工在岗位上得以“绩效优秀的原因”，那么如何萃取这些绩优因子呢？

算法介绍：

P值是用来判定假设检验结果的一个参数，由一代假设检验理论的创立者R·A·Fisher提出。P值越小，表明结果越显著。当原假设为“两个变量不具有相关性”时，若P值小于0.05，则可以拒绝原假设，判定两个变量具有相关性。接下来我们再看相关系数。

相关系数最早是由统计学家卡尔·皮尔逊设计的统计指标，是研究变量之间线性相关程度的量，一般用字母 R表示。相关系数是用以反映变量之间相关关系密切程度的统计指标，按积差方法计算，可能呈现“正相关”或“负相关”。

相关性分析应用示例：

肯耐珂萨水晶球系统内置了P值-相关系数分析图表，选取需要观察的变量，快速输出分析结果。

算法5：拟合回归

盘点问题：

如何看人才在整体组织中发展的规律？——这些规律将是我们进行人才干预的“拐点”。

算法介绍：

在统计学中，回归分析（Regression Analysis)指的是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。在大数据分析中，回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，例如，司机的鲁莽驾驶与道路交通事故数量之间的关系。

拟合回归应用示例：

选取两个维度生成坐标轴，添加拟合曲线，洞察发展关系的规律，从图形上找到拐点，构思干预手段。

如今这个数字化HR时代，数字化的人才发展系统，是HR的第一生产力。肯耐珂萨致力于数字化人力资源管理，努力让HR成为算法的专家，在企业真实场景中，能够轻松应用这些算法，优化项目实践，体现HR对于组织的价值。随着肯耐珂萨水晶球的不断迭代，主成分、聚类分析等各种大数据时代的人才分析技术，正在不断上线。我们致力于用最简单的方式，帮助HR伙伴去应用这些算法，优化组织人才发展决策。