数据分析 -HR沙龙—互动社区精彩共享尽在HRSalon.org

数据分析

数据分析难倒你？HR掌握这些，效率显著提升！导言：优秀的HR会关心员工，帮助他们设立职业和人生目标。大多数普通的目标和建议是基于事件观察和基本常识得出，但是精准、正确、科学又高效的设定运用的不仅仅只有这些，而是巧妙地使用了数据分析法。 01 这些必要的数据分析法字节跳动旗下拥有十分多的火爆APP，使得整个公司尤为重视数据分流和数据剖析，独立研发的“今日头条”客户端，通过海量信息采集、深度数据挖掘和用户行为分析，他

数据分析
2020年03月24日
数据分析

员工离职真的很伤钱！我们该如何利用数据分析来预测员工离职？作者 / 刘丽媛（Lilian）来源 / 行走的帆（ID：sailing-fan）离职预测的意义首先来看一组数据：2017我国平均的员工离职率在22%左右，对于一些一线的城市北上广可以达到23%。对于高科技行业，员工离职率更高，达到25%以上。所以，员工离职每个公司面临的问题。再看国外数据：这是一家致力于员工评估的美国公司。他们的数据显示，1/4的员工是属于高风险人群，而这

数据分析
2019年08月26日
数据分析

如何用你的数据分析结果去影响观众？来源：行走的帆数据分析里有一个领域常被人忽视，那就是数据分析结果的视觉化呈现。试想一下，你费尽周折分析了一大堆数据，发现了其中一些问题，然后据此提出了自己的建议。接下来你需要把这个结果汇报给公司CEO。此时，CEO最关心的不是听你讲详细的分析过程，而是想尽快知道你到底发现了什么问题，接下来需要做什么。数据的视觉化呈现的意义就在于可以帮助听众快速抓住数据背后的实质，然后按照演

数据分析
2019年02月18日
数据分析

HR数据太多，该如何利用才能有效决策？来源：行走的帆不要小看了HR部门，它们可能是组织内部少数几个掌握大量宝贵数据的部门之一。从员工个人基本资料到薪酬、绩效、发展潜力，大量的信息都可以在HR系统里找到。我们该如何像业务部门那样，把这些宝贵的数据转变成我们有效HR决策的依据呢？从数据分析的角度，可以考虑从以下5个方面入手： 1. 趋势分析很多数据的单个本身并不重要，但是只要我们持之以恒地收集这些数据，假以时

数据分析
2018年11月06日
数据分析

员工调查仍然是衡量参与度的最佳方式之一 VINCENT TSUI HBR Scott Judd Eric O'Rourke Adam Grant 曾几何时，调查是每个领导者征求反馈意见和每个公司评估参与度的主要工具。但现在，在电动汽车时代，调查开始看起来像收集灰尘的柴油卡车。公司正在使用酷炫的新机器学习算法，通过电子邮件响应时间和核心团队之外的网络连接来压缩大数据来衡量员工的参与度

数据分析
2018年03月16日

数据分析

如何去做有效的数据分析题图来自Pixabay.com，摄影师Engin_Akyurt 1 基本原则做数据分析工作，一定要遵循一定的原则，这些原则，我简单列了列，属于亮哥比较看重的，但是不一定是通用的。让我们先来看数据分析的流程。亮哥认为，数据分析应该遵循下面这个流程：也就是说，数据分析需要从问题中来回到问题中去。拆解一下其实，数据分析主要要有五个步骤：

数据分析
2017年08月30日
数据分析

想在硅谷找工作吗？数据分析哪些人会被招聘网易科技讯 7月26日消息，据CNBC报道，你想在高估值的初创公司或科技巨头工作吗？想知道你的大学专业能否增加在Facebook或微软获得职位的机会吗？在线职业教育平台Paysa分析了8200份就业招聘和7万多份简历，以找出哪些人会被招募，这些科技公司最需要哪些技能等。为了更容易对比，Paysa将数据分为两大类，分别是科技巨头（上市超过10年的科技公司，目前市值超过1000亿美元）科技颠覆者（私营

数据分析
2017年07月26日
数据分析

未来的工作：数据分析技能全球最大人力资源管理协会SHRM近日发布趋势专题调研报告：《未来的工作：数据分析技能》（Jobs of the Future: Data Analysis Skills）。此项研究的主题是未来劳动力队伍的工作规划，研究对象为预期在未来五至十年内有所增加的职业工种。研究内容涉及数据分析技能的供给和需求、需要数据分析技能的工作职能部门和员工类型以及对不同等级的员工在数据分析工作技能和相

数据分析
2016年12月15日
数据分析

如何用数据分析指导商业实践？这位Google数字营销大师给出了一些方法摘要：本文是作者在读了Avinash Kaushik 的《The Lean Analytics Cycle: Metrics > Hypothesis > Experiment > Act》一文后，总结出的一些方法论，对于应用数据分析来指导商业实践有一定的借鉴价值，HRBP一起学习下。我是做技术出身，不太喜欢重复造轮子，在对 Avinash Kaushi

数据分析
2016年12月05日
数据分析

过快、过量、过度：三类数据驱动型决策中的常见问题(附大量资源) 转自：大数据文摘 |bigdatadigest 作者｜Elena Sigacheva 选文 | Aileen 翻译｜Elaine琏校对｜饶蓁蓁Sabrina 在大数据的时代，很多公司通过采用数据驱动方式进行决策。在本文中我想谈一下我们在数据分析过程中三种常见失误：过快--急于求成、过量--图囵吞枣、过度--信息过载。（注：本文附大量外链资料，建议先收藏再查看）

数据分析
2016年11月28日

12 3 >>

市场合作或广告投放

VIP会员

Follow HRSalon