HR Analyst？据说钱途不错？

前些日子，朋友圈和各种微信公众号被《未来最值钱的HR工作：HR Analytics ！》这篇文章刷了屏，作为一个已经在坑中的HR Analyst，自然是接到了不少学弟学妹的问候：原来人力还有一个这么值钱的方向？怎么入行？我需要有哪些素质？今天就来具体说一说

1.人力资源分析人才稀缺

大数据、互联网的时代，“数据+”已经成为大势所趋，传统的人力资源管理也不例外。

德勤公司2018全球人力资本趋势报告显示，84%的被调查公司认为人才分析重要或者非常重要，其重要性高居所有趋势的第二位。但市场上的成熟度却严重不足，认为自己公司对这一挑战已经做好“充分准备”的受访者仅有10%。

一边是企业的硬需求，一边是人才的供应不足，自然导致这个岗位薪酬待遇的居高不下，随便搜索一下招聘网站，对于2年以上经验的人力资源数据分析师年薪为18万-90万，远高于同等经验水平的传统HR。这样的高薪自然让很多人对此摩拳擦掌跃跃欲试。

虽然数据分析、商业分析、大数据已经发展了有些年，但是人力资源的数据分析还处于一个刚起步的状态。国内相关的资源和书籍少之又少，国外也缺少成体系化的理论模式用于参考。虽然人力资源大数据提了很多年，但是从某种角度上来说，国内HR Analysit还处于一片蓝海中，还有太多的未知等待探索。

2.分析师应该是什么样的存在

人力资源分析师在企业中应该是一个什么样的存在呢？这看起来似乎有点尴尬。

从传统的人力资源六大板块视角来看：人力资源规划、招聘与配置、培训与开发、绩效管理、薪酬福利管理、劳动关系管理中似乎没有数据分析的立足之地，非要说的话人力资源数分析和人力资源规划是最能搭上边；从三支柱的视角来看：SSC\COE\BP中也没有数据分析的立足之地，似乎三个支柱都有数据分析的立足之处。

以我个人的咨询公司的工作经验来看，人力资源数据分析师应该将自己定位为企业的“外脑”：站在企业外部看企业的问题，做企业的咨询顾问。

“这是CEO应该考虑的事情。”这是做HR Analyst最大的忌讳。

HR Analyst的工作，很多时候需要站在企业CEO的角度进行思考，站位往往决定一个人看待问题的深度和广度，对于数据分析也是如此。在进行分析的时候，不妨假设自己是一个外部的咨询顾问，公司花了大价钱请你来进行业务的分析和诊断，你需要给出一些切实可行可落地的解决方案。

这样的思考方式可以帮助你在数据分析的过程中视野的开阔，不会局限在某一个思维的死胡同。尤其是当你的思路站在一个求职者、竞争对手、离职同事的角度上的时候，你会发现很多值得分析和探索的领域。

高站位思考还有一个好处，提升自己在职场的竞争力，为未来的职业发展创造空间。

3.我需要会写代码吗？

这是一个非常好的问题，大多数想做人力资源数据分析的小伙伴都是人力资源相关背景出身。

对此，我的答案是：不需要，但是你可以一时不会，不可以一直不会。

HR Analysit的工作，相比之下更类似于BA（business analytics）而不是DS（data scientists），虽然很多报告、文章都说大数据、机器学习、数据挖掘等工具在人力资源数据分析中的地位越来越重要，但理想很丰满现实很骨干，现阶段，对人力资源的数据分析来说“大数据”恐怕尚早，理清“真数据”可能更加现实。

作为一个分析师，我们要清晰地认识到，理清真数据用不了太长的时间。通常情况下，所有的真数据都是可以内嵌在系统中的，不需要太多的人为进行计算操作，当理清了真数据之后，如果自己没有大数据的思维和能力就会被行业淘汰。

时刻充电，保持随时离开的资本，保持随时应对颠覆的能力已经是这个时代职场人的必备技能，对此，我建议可以这样做：

1.最新的行业资讯——了解行业大事，抢在领导之前调整分析重点；

2.学术研究报告——关注某一特定问题的最新学术研究报告，例如如员工保留、员工绩效方案设计等；

3.标杆企业新动态——了解标杆的动作及时跟进；

4.算法模型——了解算法模型的更新迭代，有助于提高效率；

5.软件技能——学习并提升相关软件使用技能；

6.报告撰写和设计排版——参考其他报告的撰写和设计并学习，美观对于数据分析报告来说也很重要。

4.我数学不好是不是可以死心了

不是

这个问题我可以非常斩钉截铁地告诉你，数学不好不会编程并不会阻止你成为一位优秀的人力资源分析师。

理解数据可能比数据本身更加重要。

比如一个再简单不过的数据，公司某部门的男女性别比是2：1，这样一个数据甚至不需要会什么统计软件和分析技巧就能得到，但是应该如何来理解这个数据呢？

——我们的男女性别比例失调？然而真的是男女搭配干活不累吗？

——我们的面临什么样的风险呢？男性员工会因为觉得在公司社交限制找不到对象而离职吗？

——这个比例是不是意味着我们的女性员工休产假了不会给部门的工作带来影响？

——这个性别比例给我们的招聘工作带来了什么样的机会或挑战？我应该多招女性吗？

…………

很显然，这样的问题是单纯的数据不能解释的，做人力资源的数据分析需要“道术并齐”。道就是指人力资源的理念和思维，术则是软件技能和数据能力。

不要迷信木桶效应，一个团队中大家能够取长补短就可以了，本来就不需要每个人都是多面手。