基于大数据挖掘分析的人力资源效能分析模型设计

张小晖 俞涛 郝洁

摘要：针对电信运营商长期以来用工总量大、人力资源效能低的问题，积极探索和开展人力资源领域数字化转型实践。依托数据中台的集约化能力，整合拉通全域数据，基于大数据挖掘分析结果，建系统上手段，全生产场景嵌入赋能，聚焦不在岗和低产能人员，严格考核退出，提高用工效率，提升员工产能，关注一线群体产能与薪酬分配一致性，推动奖优罚劣和按劳分配，激发员工活力，最终实现用工配置—产能—薪酬的“三透明”。

关键词：数字化转型数据中台数据赋能产能提升

中图分类号：N945.23文献标识码：A   文章编号：1672-3791（2022）01（a）-0000-00

Design of Human Resource Efficiency Analysis Model Based on Big Data Mining Analysis

ZHANG Xiaohui  YU Tao  HAO Jie

（Digitization Department of Hebei Branch of China United Network Communication Co.， Ltd. Shijiazhuang， Hebei Province，050011 China）

Abstract： Aiming at the problems of large total employment and low human resource efficiency of telecom operators for a long time， we actively explore and carry out the practice of digital transformation in the field of human resources. Relying on the intensive ability of the data center， integrate and connect the global data， build systematic means based on the analysis results of big data mining， embed empowerment in the whole production scenario， focus on off-duty and low productivity personnel， strictly assess and exit， improve employment efficiency， improve employee productivity， pay attention to the consistency between the production capacity of front-line groups and salary distribution， and promote reward for the good and punish the bad and distribution according to work， Stimulate the vitality of employees and finally realize the "three transparency" of employment allocation， capacity and salary.

Key Words： Digital transformation; Data center station; Data enabling; Capacity improvement

1电信运营商人力资源领域存在的问题分析

运营商人力资源领域多年积累的“灰犀牛”问题，已成为阻碍企业改革纵深推进和实现高质量发展的关键因素。主要存在以下几方面问题。

（1）人头数不准。基础信息靠手工统计，层层上报数据不准，多头来源差异大，往年统计人员，3个部门3个数，相差达上万人。

（2）科学配置成空话，人力资源效率低。数据不透明导致始终弄不清各个岗位配置了多少人？多少人在岗？多少人干活？干的什么活？干的怎样？挣钱多少？导致只能被动接收低效结果，平均主义“大锅饭”普遍，薪酬与产能一致性较差。

深入剖析上述问题，究其根源是管理能力薄弱、数字化技术手段落后。企业痛定思痛，从零起步，树立治标更要治本的决心，以“员工数字化”为突破口，通过“人的劳动行为特征”进行大数据建模，积极构建全生产场景嵌入式人力资源赋能体系，探索实现用工配置、产能和薪酬分配的可视、可管、可控。

2基于大数据挖掘分析的人力资源效能分析模型的构建过程

在项目推进的过程中，经过不断摸索，持续优化，最终将核心建设流程细化分解为业务调研、数据调研、岗位写实、模型确定、数据采集、数据建模、结果透视7个步骤。

2.1起步：业务调研

业务调研是整个项目的起点，是产品研发前期的铺垫性工作，也是最重要的基础工作之一。调研摸底的内容全面、准确与否，直接影响着产品设计和开发质量的好坏，以及使用者对于产品的满意程度[1]。通过大量的走访调研，对于一线人员日常工作职责、工作项目及权重、关键行为动作、关键产出指标、岗位特征、工作成果衡量标准等内容有了较为深刻的了解，并据此整理形成调研结果文档，作为后续工作开展的依据。

2.2摸底：数据调研

数据调研是另一项关键的基础性工作，数据源是否具备决定了整个项目开发的可行性和后续推进方向[2]。根据业务部门提出的岗位職责模板及前期业务调研的结果，对各个岗位的数据指标进行梳理和拆解，拆解完成后，逐一确认数据指标的业务口径、是否可落地、来源系统，上游系统数据源是否具备条件、数据质量如何、采用何种形式支撑，并初步制定数据接口的对接方式、周期、范围等内容。通过多方协调、集中调度，最终完成数据层面的前期摸排，为下一步工作的推进打下了坚实的基础。

2.3画像：岗位写实

岗位写实是从业务和数据角度出发，针对不同岗位的人员，起始于上班打卡，终止于下班离岗，将此过程中的岗位行为进行全流程、多角度的覆盖和画像[3]。岗位写实的目的一方面是以业务规范为指导，结合该地实际工作情况进行对标和修正，将同一岗位的工作流程、行为特征等进行收敛和聚拢，务求形成统一的指标标准和行为规范，以便后续系统落地实现的过程;另一方面，通过构建“千岗千面”的画像体系，可以较为轻松地对相近岗位的工作内容和性质进行比较和判断，并根据实际情况分拆为不同的岗位，避免出现岗位设置大而不专、针对性差等弊端。

2.4转化：确定模型

在准备工作全部完成后，需要基于岗位写实结果及数据调研情况，将前期的成果转化为明确的岗位规则，并依据规则形成在岗模型、产能模型、活跃度模型、薪酬一致性模型等内容，同时实现不在岗原因分析、低产能人员分析等能力。以下是各个岗位的岗位特征和产能规则计算示例。

2.4.1营业员岗位

岗位特征：需同时满足3个条件，不包含值班经理和厅经理， （1）归属为自有渠道或渠道类型为标准/旗舰/小型厅 ;（2）当月登录系统合计次数>10 ;（3）营业积分>0 。

产能规则为：营业积分，剔除收入积分、渠道服务积分（有效代理点渠道积分、有效营销APP渠道积分、有效连锁渠道积分、有效末梢渠道积分、有效专营渠道积分）、质量管控积分（红线管理积分、调整积分、投诉扣罚积分）。

2.4.2智慧家庭工程师方位

岗位特征：需同时满足两个条件：（1）在册岗位为智慧家庭工程师;（2）各系统登录次数≥10次或当月有装维工单量 。

产能规则为：基本维护量100×区域系数[市区：1;县城：1;农村（山地）：1.5;农村（平原）：1.2;城郊：1.1;农村（深山区）：2;水区：1.5;坝上：1.5]+宽带装移机量×3+IPTV装移机量×3+固话装移机量×1.5+宽带修机量×2+IPTV修机量×2+固话修机量×1+营销发展积分×0.2+系统登录次数*0.5+系统操作次数×0.2 （系统登录次数200次封顶、操作次数200次封顶）+运维工作量（自助割接工单+重保工单+完成作业计划数+团队和领导交办积分，4项加和150封顶） 。

2.4.3渠道经历岗位

岗位特征：需同时满足两个条件：（1）归属为有效社会实体渠道（包括专营店/专区合作厅/代理店）;（2）在系统中下挂渠道数>0（不含清算渠道、管理本部渠道、特殊渠道、白名单渠道），或下挂末梢渠道数>0（渠道状态为正常） 。

产能规则为：渠道积分，包括价值经营积分、规定动作积分、有效渠道服务积分、巡店驻店积分，剔除质量管控积分、自有渠道规定动作积分、社会渠道服务积分、社会渠道除巡驻店之外的规定动作积分 。

2.4.4行业客户经理岗位

岗位特征：需同时满足两个条件：（1）岗位角色为行业客户经理;（2）登录系统合计≥10次 。

产能规则为：传统业务存量收入保有率*100+新增创新业务收入（云大物标准产品+IDC）/100+新增创新业务收入（项目制自研产品）毛利值/100×2+（项目制非自研产品）毛利值/100+移网业务发展出账收入/100×3+固网业务发展出账收入/100×3+商机录入数×1（10分封顶）+商机转化签约个数×5+传统业务逾期欠费考核积分 。

2.4.5投诉处理专家岗位

岗位特征：需同时满足3个条件：（1）在册岗位为投诉处理专家;（2）符合客服系统中负责投诉处理工作人员;（3）客服系统处理工单总天数≥7天 。

产能规则为：重大投诉处理量×2+面访投诉处理量×15+普通投诉处理量（普通投诉，满意的按1个，不满意的按0.8，未评测按0.9计算）。

基于上述规则，在模型建立的过程中，将规则分解成了一个一个更低维度的指标，针对每个指标对应的口径，提取该岗位可量化的结果数据及相关影响因素，构建出岗位分析评价体系，搭建岗位能力分析模型，实现各类人员的智慧人力管理视图。

2.5汇聚：数据采集

根据前期梳理的结果，通过数据中台，初步实现了多域数据的采集拉通，并按需进行融合加工，输出相应的结果，以满足人力资源效能分析模型的建设需求。截止目前，共涵盖各类系统近百个，采集方式包括文件、Kafka、API三类，支持实时、分钟、小时、日、月等多种采集周期。

2.6实施：数据建模

为了分单位分岗位进行产能与绩效薪酬相关性分析，引进了皮尔森相关系数公式，采用相关系数模型，公式如下 ：

r（X，Y）=Cov（X，Y）/（Var[X]Var[Y]）1/2

文字描述：用X、Y的协方差Cov （X，Y）除以X的标准差和Y的标准差的乘积。

系数解释说明：通过公式反映各岗位产能与薪酬的相关性，

其中：Cov（X，Y）为X与Y的协方差;Var[X]为X的方差;Var[Y]为Y的方差。

r取值范围为[-1，1]，通过数据测算和数据公式经验可以得出│r│>0.8为强相关，0.3<│r│<0.8为弱相关，│r│<0.3为不相关，以散点图的方式直观展示同工同绩效执行情况[4]。

对于两个变量X、Y，具体叙述如下。

（1）当他们的相关系数为1时，说明两个变量变化时的正向相似度最大，即：你變大一倍，我也变大一倍;你变小一倍，我也变小一倍，也即是完全正相关（以X、Y为横纵坐标轴，可以画出一条斜率为正数的直线，所以X、Y是线性关系的）。

（2）随着他们相关系数减小，两个变量变化时的相似度也变小，当相关系数为0时，两个变量的变化过程没有任何相似度，也即两个变量无关。

（3）当相关系数继续变小，小于0时，两个变量开始出现反向的相似度，随着相关系数继续变小，反向相似度会逐渐变大。当相关系数为-1时，说明两个变量变化的反向相似度最大，即：你变大一倍，我变小一倍;你变小一倍，我变大一倍，也即是完全负相关（以X、Y为横纵坐标轴，可以画出一条斜率为负数的直线，所以X、Y也是线性关系的）[5]。

以上就是薪酬一致性相关系数公式的理解，简单的总结如下。

（1）分子的协方差用来得到相关性。

（2）分母的标准差用来消除量纲（或变化幅度）的影响。

在此案例实施过程中，可以把每个员工看做一个点，看看每个点是否都在正相关的线上。系数=（产能和岗位平均产能的差值×薪酬和岗位平均薪酬的差值除以人数）/（产能和岗位平均产能的差值的平方/人数）×（薪酬和崗位平均薪酬的差值的平方/人数）[6]。

2.7展现：结果透视

数据建模完成并确认无误后输出透视结果，主要包含日透视和月透视，日透视包含实时在岗情况、实时上岗率、实时产出情况等，月透视包含但不限于在册在岗分析、产能构成分析、薪酬一致性分析和人员画像等。同时根据面向的对象不同，开发了大、中、小屏不同的版本，确保应用效果最大化。大屏为视窗，方便各级管理者随时掌握总体情况;中屏为核心，面向各级主管，PC版全面聚焦不同专业线用工视图、产能视图和薪酬视图关联分析和展示;小屏为抓手，面向一线人员，手持版展现每个员工的实时在岗行为、低产能、不在岗等信息，同时根据员工能力短板推送相应的策略，帮助员工快速提升个人业绩水平。

3结语

此案例是电信运营商运营管理数字化转型的一次成功实践。依托大数据分析的精准施策，科学配置工作量与用工量之间的关系，逐步解决人员底数不清，配置不透明，分配不公的矛盾;解决用工总量大与部分岗位人员紧张的矛盾;解决新陈代谢率低，队伍板结化突出的矛盾，并已取得了突出的成效。

参考文献

[1] 刘玉霞.大数据应用与人力资源市场监管体系优化分析[J].今日财富，2021（15）：215-216.

[2] 盛华挺.基于大数据视域的智慧人力资源管理研究[J].企业改革与管理，2020（22）：99-100.

[3] 贾友军.组织战略视角下人力资源效能提升研究[J].现代商业，2020（13）：66-67.

[4] 江巍，王二宝，高杨.运用大数据提升军事人力资源管理效能[J].通讯世界，2019，26（1）：318-319.

[5] 宁本荣.人力资源管理的新时代风险挑战与化解战略[J].领导科学，2020（24）;91-94.

[6] 吴永强.基于心理契约的员工关系管理有效性研究[J].经营与管理，2021（10）：85-92.