在我看来，管理学历史上一共有三次典型的以人效为核心的思潮革命。

第一次是发生在20世纪初美英等工业化发达国家的“效率增进运动”，其目的是通过制定和实施最佳实践，从而识别和消除经济社会领域中的一切浪费，代表思想是泰勒的科学管理，所以也称为泰勒主义。

第二次是发生在20世纪下半叶的“精益生产运动”。这场由美国人戴明在日本掀起的运动，最后回到美国后再开枝散叶。精益生产的核心是通过优化流程，提高效率，降低浪费。

第三次就是当下发生的数字化效能革命，有人也称之为数字泰勒革命。背后的核心是通过引用数字化、算法和人工智能等技术，提升人效。

最近几年，特别是疫情发生之后，受制于外部环境的恶化，从企业的经营管理者，到数字化科技革命的推动者，以及学界和普罗大众，人效突然成为挂在嘴边的热门词汇。

但我们今天这篇文章并不打算谈如何去改进人效，而是从数据分析的角度谈谈人效管理可能的切入角度。

实际上，在精益生产运动中，统计学和数据分析已经大放异彩。精益生产的先驱戴明曾经说过：“除了上帝，其他人请用数据说话。”

回到当下的数字化人效革命中，一方面数字化加速推动了数据化，另一方面通过数据分析的思维本身也可以驱动人效提升。

所以，我们接下来谈谈在人效管理过程中所蕴含的5种人力资源数据分析思维。

我们一般来描述现况的时候会用到事实和观点两部分。事实是客观存在的，而观点则是一种主观判断。

在进行数据分析的时候，我们先要进行事实收集。

特征思维，简单来说就是用一个特征值来描述事实，是典型的描述性分析。

在人效的分析过程中，我们最初的想法都是找到一个数值来代表人效值，也就是构建一个指标。

1）通用的人效指标，人均产出

人均产出=经营产出/员工人数

这里的经营产出选取指标的时候五花八门，可以是销售额、净利润、总产量、总产值、毛利、回款等等；相应的人均产出指标可能就是：人均销售额、人均净利润、人均产量、人均产值、人均毛利和人均回款。

不同的行业、不同公司的不同阶段，甚至不同的管理手段，决定了人效管理时究竟会选择什么样的指标。

我曾经看过一个例子，企业费用报销软件商Expensify Inc去年在美国成功上市。这家公司上市的时候只有140位员工，但其年度经常性收入（AAR）达到1.4亿美元，算下来其人均AAR是100万美元，也就是说其人效是100万美元。

注意，这里的经营指标选择的是AAR，人效指标是人均AAR。这是因为在SaaS行业，AAR是更能够体现企业赢利能力和财务稳健度的指标。

2）人效指标的一个变通，用成本或者薪酬来代替人数

由于人数在统计的意义上有很大差异，一个初入职场的工程师和一个C级高管，也许薪酬相差好几倍，但在计算人效指标时，都只能简化为1个单位。

在人均薪酬差异较大的情况，或者为了更精准的计算人效，我们可以将上文提到的通用人效公式的分母从人改为钱，比如总工资额、总费用额等等。这样创造出来的指标就叫元效，或者元均产值。

元效=经营产出/总工资（总费用）

上面这个公式计算出的结果就是元均销售额、元均净利润、元均产量、元均产值、元均毛利和元均回款。

对于这个公式的变化，还可以将公式乘以10000.得出每万元工资（费用）销售额，依此类推。

同样的思路，我们在零售行业，可以将分子换成门店面积，这样可以计算坪效；在物流快递公司，可以换成时间，这样可以计算时效；在卖场商超，可以换成货物，这样可以计算货效。

3）我们也可以采用更综合的效能指标，比如OLE，整体劳动效能指标体系。

在OLE的指标构成中，就包含了三个二级指标，时间利用率、生产效率和质量合格率。相对来说，在衡量人效时，就会更加客观和包涵更多内容。

选择什么样的指标来作为人效的“特征”，企业需要结合自己的行业属性、发展阶段、管理水平等实际情况来决定。

前文说过，描述现况会用到两部分，一部分是事实，另外一部分是观点。

观点其实就是一种主观评价。如果只是一个特征值，我们是无法进行评价的。

评价的第一个来源就是比较。在比较的过程中，我们才会产生是好是坏的评价。

关于人效比较的类型至少有以下几种：

目标比较：将人效特征值与制定好的目标或者客观的标准（行业先进水平、竞争对手水平等）进行比较。

时间比较：不同时间周期的比较（按年、季、月、日等的比较）。

属性比较：指企业内部基于不同类别属性（按部门、按产品、按城市、按管理者、按品类等）进行的比较。

过程比较：指对于不同流程中的阶段进行的比较。

特别需要说明的是，目标比较还可以演化成一种自己与自己的比较。

在很多行业里，缺乏标准效能值，或者由于发展阶段差异，要赶上行业标准值太难。企业在这个时候，可以先与自己过去的值进行比较，不是看中与外部的差距，而是看中内部成长的速度。

比如，我们可以设定年度人效提升的百分比值，从而用人效值、年度预测经营产出，来预测年度人力值或者年度薪酬包等。

基于特征值的比较，是特征思维衍化出的第一种思维。还有一种思维也是基于特征值的衍化，这就是归类思维。

简单来说，归类思维就是对于目标对象的特征值进行分类，从而获得一种简化认知的过程。

比如说，我们在考试的时候，通过几个门槛值把学生的成绩归类为优秀、良好、及格、不及格等。当有了分类后，我们对于学生的判断，可能不需要记得准确的数值，只需要记得类别，这就是一种简化分析。

一般来说，归类思维可以根据维度区分出不同的模式：

1）单维度分类

比如上面的学生成绩的分类，在进行分类的时候只考虑到一个维度。

比如我们在进行关键人才识别，将人才分为关键人才和非关键人才，这其实也是一个维度。再比如对于员工绩效的分类，也是一个维度。

回到人效话题，我们完全可以为人效指标设立不同的门槛，从而把人效区分为高人效、中人效和低人效等。

2）双维度分类

顾名思义，双维度分类就是在归类时会考虑到两个维度。

因为两个维度正好可以交叉形成一个矩阵模式，所以这往往也称之为矩阵思维、象限思维。

根据维度所分的层次，又可以形成四宫格（每个维度各2个层次）、九宫格（每个维度各3个维度）等。

在人效管理中，九宫格是比较常见的工具。

比如我们进行人才盘点所使用到的九宫格，就是一个双维度分类。在下图这个矩阵中，员工根据绩效和能力这两个维度，分别被纳入到9个不同的象限中，从而将员工划分为9种类型。

3）多维度分类

如果分类的标准超过了2个维度，就构成了多维度分类。一般来说，多维度分类相对更难操作，也比较复杂，所以应用不多。

我曾经构建了一个劳动力盘点的三维矩阵。在这个关于劳动力效能的盘点中，我纳入了三个维度，劳动者的时间、劳动者的绩效产出和劳动者的薪资compa-ratio。

然后任意两两维度都可以构成一个九宫格矩阵，这样三个维度可以构成三个九宫格，27个象限。而我们要盘点的每一位员工都会进入到任意一个九宫格中的其中一个象限。

不过，如果我们进到多维度分析的模型，就不是简化分析了，毕竟27个象限的确太多了。那如何应用呢？

我的应用方法是，根据一定的理论框架，对于每个象限进行赋分，然后将目标员工的三个象限得分相加求平均分，从而获得劳动力价值的得分，然后再对这个得分进行相应的再分析。

比如对比不同员工的得分，获得员工在组织内部的分布和分位，以及进一步的定量分析等。

前面三种思维模式，概括起来都是关于事实和评价的描述性分析。

2003年，著名的咨询公司Gartner曾经提炼总结出了一套数据分析的框架，他们把数据分析分成了四个层次（见下图），其中描述性分析是最基础性的分析。

描述性分析，只会告诉我们发生了什么。

但多数时候，我们更关心原因是什么，这属于诊断性分析。

诊断性分析背后很核心的逻辑，就是寻找事情发生的原因，通过归因进行诊断，通过定位原因去进行改善。

归因分析一方面可以通过一些逻辑的工具来实现，比如鱼骨图、5why框架。这种分析方法是属于定性分析。

归因分析也可以通过定量的工具来实现，比如相关分析、卡方检验、方差分析、参数检验等。

以方差分析为例，它是假设检验的一种，我们可以通过均方值的差异来检验某个因素是否是导致变量差异的原因（验证相关的假设是否成立）。

假设我们获得两个部门所有员工的工时利用率数据，要想比较部门是否是造成工时利用率差异的原因，我们只需要对于两组数据进行双样本平均差的Z检验。如果p值小于0.05我们就可以认定两个部门之间在员工的工时利用率上存在显著差距，从而可以判断员工的部门构成影响员工工时利用率的因素。

那么接下来我们就可以在部门这个维度上去思考，为什么部门之间出现显著差异，改善方法是什么。

诊断分析是业务改善的关键着力点，只有找到原因，才可以提出有效的解决方案。

最后，还有一种很重要的数据分析，预测分析。

预测性分析，用来预测在给定的条件之下，会产生什么后果。其目的在于对未来信息的获取，从而可以提前干预，设计出解决问题的方法。

时间序列分析是一种预测分析。基于时间序列的数据背后往往存在某些共通的规律，通过数据分析的方法，找到这种规律，并进而预测接下来时间周期内的数据，就是时间序列分析。

回归分析也是一种预测分析。如果我们建立某种回归方程，完全可以根据给定的自变量，预测出因变量的值。

比如，我们想去评价某公司几十条不同产线的工时利用率的差异，我们可以去收集各个产线的更多的自变量数据，然后去通过数据分析建立线性方程：y=a1x1+a2x2+a3x3+…a7x7+…。

当然，我们也可以通过数据分析的技术确定其中有显著影响的因子x，从而建立更有效的方程。这样，给定相关的x值，我们就可以判断团队的工时利用率。

从所计算出来的方程，我们也很容易找到改善的因子。

以上五种人力资源分析的思维，也是数据分析的普遍思维。它并不仅仅应用于人效分析中，实际上可以应用于任何的人力资源分析中。