回顾制造业信息化的历史，财务软件、ERP、SCM、CRM、PDM等应用系统陆续进入市场，这些软件在很多方面为企业的管理层次提升发挥了作用，但关于到底提升了多少人效、帮助企业减少了多少成本或事创造了什么效益，很少有企业能给出答案。

01 主要问题：难以有效地对数据进行统计、分析与利用

要回答上面这个问题，需要企业建立了对应的模型，而模型是以数据为基础的。数据需要长期积累，数据越全面，分析越精确，模型越可靠，模型的指导价值就越高。但不少企业不仅没有模型，连数据都是分散的。这样的企业很难对数据进行统计、分析，更遑论将数据利用起来。具体表现有：

（1）数据采集不够全面，无法有效整合。如果内部信息系统之间缺乏统一的平台对数据进行关联、整合及联通，就容易导致产销存等各环节无法协同工作，难以完全释放各环节数据的真正价值。许多 HR 系统的作用仅限于基本报告，无法跨系统整合数据或支持分析，以便充分了解正在发生的事情。

（2）报表数据经年累月积累管理难度大，手工制作报表效率低。周报、月报、季报、年报等长年累月积累下来数量庞大，数据报表的整理、编写与分析非常繁重。急需报表时相关人员常要加班加点，未经提前准备很难及时响应领导的数据要求。报表的制作要和大量的数据打交道，过程繁琐也容易产生人为的误差。

（3）数据缺乏分析与可视化处理。大多数工厂的数据利用短板在于生产数据只做展示，无法进行关联分析。由于依赖传统数据报表，最终输出的结果是包含了大量数据的表格，无法实时、直观地呈现当前的业务状态。制造生产过程、质量、成本管理都通过手工形式完成，所以很难与生产系统、管理系统的最新数据进行同步，也就无法生成实时性数据洞察，对制造业数据进行深度挖掘。

（4）传统的数据分析模式无法满足智能时代的数据挖掘需求。因为效率较低，制造业的数据分析多集中在生产等重点环节，无法同时以各个角度去分析各部门的所有数据，最后也很难对财务、人力资源、业务等部门提供数据支撑和帮助。传统数据报表的分析结果交付是单向的，只能是数据分析人员提供什么，大家就看什么，而无法通过双向的高效反馈来灵活的获取自己想要的数据可视化图表。

02 方法：找到人力资源可衡量的数据并利用起来

分散的数据不具备决策价值，必须将数据转变为洞察才能找到问题及解决方法，促进科学决策。在人力资源管理领域应用大数据，有利于进行精准管理，预测员工行为，提升组织效能。

举个例子，虽然企业在数字化转型过程中更关注机器与设备等数字化基础设施的完善，实际上也可以帮助企业更加合理地对待“人”和“人力资源”。在生产环节上经常有很多工序十分依赖手艺熟练或技巧高超的工人，但是对于什么程度算“手艺熟练”，什么程度算“技巧高超”确实非常难以测量和量化的。但是，如果可以把人财物事这些关键要素通过互联网连接起来逐渐生成关于“人”和“人效”的数据库，就可能对新手培育产生重要作用。这不仅有利于解决制造业长久以来存在的人才缺乏的“掣肘”，更有利于关键技术的传承。

我们知道，数据分析的难点集中在系统整合困难、缺乏相应人才与技术应用经验，其解决的途径就在于找到可衡量的关键指标，找对呈现方式。下面这些建议也许能给你一些启发。

建议1：将消除数据孤岛作为最优先的任务，让员工了解数字化的意图并给予配合。简化并整合技术基础架构，以便可以一站式地存储、处理和分析多种格式的数据。打通核心关键数据，基于全面的数据进行深入洞察，帮助推动业务发展或在早期发现问题提前介入调整。在 HR 职能部门中培养数据思维方式。创建数字场所或数字化传播渠道，供员工轻松分享信息。投资于分析和数据可视化工具，为员工提供所需的技术和培训，鼓励并奖励数据驱动的创新。

建议2：整理数据仓库，整合核心HR系统并使之合理化。对数据的清理和整理工作进行投资，保障数据的准确性和相关性。将 HR 数据和员工数据与企业的长期业务目标对接起来，从而提升HR部门实现的战略价值。用防火墙外的数据补充内部HR数据，全方位了解劳动力的动态和趋势。培训、薪酬、绩效、福利、劳动关系等方面也应该运用大数据分析，建立相应的模型，以便调整策略，进行精准管理，同时预测员工行为，做好风险防范。应用示例：基于大数据的员工敬业度提升分析员工敬业度的驱动因素主要有哪些，了解哪些对于员工敬业度的提升是有效的，哪些是无效的，并建立相应的模型，从而能预测员工的敬业度，为人力资源的相关决策提供数据支持。

建议3：根据洞察采取行动，基于数据持续改进HR计划、政策和解决方案。将数据置于每项人才决策的核心。考虑使用薪酬数据来推断绩效，根据员工意见设计员工体验。以最细的颗粒度推断技能水平，为每位员工制定个性化的技能培养方案。帮助 HR 专业人员将业务数据与员工数据联系起来，更多地从战略层面了解员工队伍。不同数据类型有不同的维度和作用，具体也可参考下面的表格内容。