最早了解到数据挖掘和呈现是在2014年。当时刚刚接手公司人才评阅项目，需要就评阅数据做相关分析，并将基于分析结果的发现呈现出来，以便向以CEO为首的人才委员会汇报。
那个时候正赶上项目升级，对于数据分析仅有基本了解的我来说，非常挑战，这个需求也完全属于不同以往的能力要求，文科生的我即便翻阅了很多书也并没有找到合适的做法。
后来随着工作经验的累积和对于人才评阅项目的深入理解，我逐渐对于数据挖掘和呈现有了更多的一些想法。然而因转职到企业大学从事领导力学院的相关工作，并未真正实践过。
最近，有同事在做基于岗位胜任力测评结果的分析，有幸将自己的一些想法抛出来讨论。后来自己又进行了深入思考，整理如下。
测评结果惯常的分析和呈现方法是看平均分、人的分布（即多少人通过或未通过，再有就是男女比例等）、Top 和 Bottom 3的胜任力是哪些。
这里用PCVS分门别类地梳理下我的思路。
定位（Position）：
通过观察和讨论，我认为首先需要明确做数据分析这件事情的目的是什么。不同的目的，做法会有不同。
岗位胜任力不同于通用胜任力，日前更多应用于岗位培训和发展。因此，我们推断其测评结果分析的应用更倾向于为日后提供相应的解决方案来做参考。
其次，测评的人群有哪些特点。以该岗位胜任力测评为例。参与人群按级别分三个级别，纵向可以看不同级别在胜任力上的表现有何不同。这对于人才梯队的搭建和发展有很好的借鉴意义。按具体工作内容分为两大专业领域，横向看可以准确把握具体专业领域人才能力的强弱。
再次，虽然胜任力测评是有其评分标准的，我们仍需要提前就标准和最后结果与相关stakeholder达成共识。原因有二：1）岗位胜任力会面面俱到，或是指标偏多。考虑到参与人群的特点，评分时需注意权重，即所有要素的重要性排序，这样有助于后续解决方案聚焦；2）基于最后结果 - 参与人群的结果有可能出现整体偏高或偏低的情况，从而需要考虑后续调整相应评分标准。
如果测评前做过足够样本的试测，可考虑忽略第二点。不过在企业里做试测，样本量往往会是个问题。所以就标准校准问题，还是需要提前沟通。
此外，参与人群的在岗时间和工作经验等也是非常重要的参考信息，有助于我们验证相关结论。
结论（Conclusion）：
定位明确了，接下来就是多维度的数据分析并提炼出相关结论。标准模版需要列出参与的人数，按级别、具体工作内容划分的人数分布，整体能力前三项和后三项等。
除此之外，我们可以看看每类人群（纵向和横向）在能力项，可以聚焦至能力项前三项和后三项的表现。
- 有哪些异同？
- 为什么会有这样的差异？
- 是专业领域的特点引发的？还是受从业者的工作经验影响（看工作年限和具体工作性质）？
- 哪些可以通过后续的培训和发展得以提升？哪些则需要在未来招聘的时候特别注意的？
这里的结论有些是确定的内容，有些是我们基于规律提出的假设，需要接下来进一步验证。
验证（Validation）：
这个案例中我们发现A组比B组在专业知识的掌握上强，可负责人说事实应该是相反的结果。像这类不确定的判断，建议汇总在一起，然后找到部门合适的人选进行确认，挖掘原因，验证之前的假设。个人认为这也是数据挖掘中很有价值的一步。即便无法在汇报前找到时间确认，也可以在汇报中展示出来供与会人员讨论。会议中达成共识，后续工作更容易开展。
解决方案（Solution）：
作为Talent & Learning Capability团队，价值之一是提供专业咨询，可以理解为我们是公司的内部顾问。解决方案是我们的主要产品。
在数据挖掘和呈现的时候，有时最后也要有相应的解决方案，这样汇报会更加完善。
关于这个案例，在结论部分我们有一些疑问，现在还在验证。从业务的角度看，我认为解决方案还是需要的。这也是最初定位时的推断。
最后，简单聊聊数据的呈现。在汇报中通常采用定量和定性两种数据呈现方式。以最常用的PPT为例，多半如下图。
定性：对于数据分析的高度总结，即我们常说的Executive Summary。通常作为汇报开篇。
定量：图表展示数据分析结果，标题是对于图表的描述。
除了如上标准模版，下图这种结论先行的方式，对于不同纬度的呈现更方便观众阅读和理解。值得提倡，也需要我们持续探索和学习。
（转自微信截图，忘记出处了）
定性：标题部分是基于定量数据发现的规律，从而推导出来的结论。
定量：副标题和图表部分显示了信息来源和受访者的比例。这些信息忠于之前问卷或访谈的基本数据。
以上是自己的一点思路，因为还在探索阶段，手头没有可参考的资料，算是抛砖引玉，也欢迎大家分享自己经验和见解。
