1 對比分析
一個數據本身是沒有任何意義的，只有在把它和其他數據放在某個場景下做對比，我們才能真正發現它的意義。
我以前在汽車行業，公司每年的銷售增長率在20%上下。這個增速到底高還是低？跟互聯網行業的發展相比當然是偏低，但是如果你考慮到我們公司所在行業年增長率也就10~15%，那20%就是一個相當不錯的成績了。
再舉個例，現在接近年底了，負責薪酬的HR都在做自己公司下一年工資增長幅度的預測，這個時候你也需要把自己的數據去和行業相對比，而不是單看自己公司期望比例，這樣才知道自己處於市場的什麼地位。
一般來說，對比有兩種，一種是時間上的，另一種是空間上的。
時間上的對比又分兩種：本月的數據和上月相比，叫環比；本月的數據與去年同期相比，叫同比。空間上的對比也分兩種，一種是和外部比較，一種是內部部門之間互相比較，拿自己公司離職率去和行業離職率做對比，屬於前者；各部門之間的離職率對比，屬於後者。
當手上有了數據，首先想到的能夠拿它去和哪些數據做對比。正是在這種不斷的反覆對比之下，數據纔會凸顯出自己所蘊藏的意義。
2 細分分析
做數據分析的目的是爲了透過現象看本質，並進一步提出問題的解決方案。
細分分析幫助我們把數據分解到顆粒度更小的維度，從而更容易看清事情的本質。假如公司的年離職率達到了10%，超過行業5個百分點。現在想分析這10%的高離職率究竟是如何造成的，我們可以將數據進行各種細分，細分維度可以包括離職原因、績效、司齡、年齡、部門、薪酬、級別、籍貫，等等。
再舉個例，在招聘中，我們經常需要分析招聘工作的效率。我們可以根據候選人的數據來劃分爲渠道、費用、年齡、學歷、週期等等不同維度進行細分。
有一家處於快速成長期的公司，每年有大量的招聘。爲了確保招聘流程的高效，HR把招聘流程分解爲10個關鍵節點，然後依次統計每個候選人在各節點之間所花費的時間，從而可以迅速發現流程中的癥結，便於及時採取行動，提高效率。
3 交叉分析
做細分分析的時候，每次只能看到數據的一個維度。比如做離職分析時，選擇離職原因，就只能看到每個員工的離職原因；選擇績效就只能看到每個離職員工的績效。
如果我們希望把不同的維度結合起來比較，比如：高績效的員工一般都是因爲什麼原因而離職的，此時就需要用到交叉分析。
Excel表格上的原始數據一般都是按照單一維度來呈現的，“數據透視表”這個功能就可以很好地幫助我們實現交叉分析功能。有人曾經誇張地說，Excel的核心功能無非只有兩個：一個是V-lookup，另一個就是數據透視表。對數據透視表不太熟悉的同學，可自行百度。
4 趨勢分析
如果數據是來自不同的時間段，此時通常要做的是趨勢分析。你也可以把趨勢分析理解爲時間維度下的對比分析。
昨天，美國的財經電視臺CNBC發了幾張圖表來總結中國自建國以來70年所取得的經濟成就，裏面主要使用的就是趨勢分析。其中一張圖表分析的是中國進出口貿易總額所佔GDP比例的情況：
通過這張圖，我們不難看出：進出口貿易在中國經濟總量佔比中一直呈現上升趨勢，在2007年前後達到峯值，佔GDP的64.48%。之後，該比例有所下降，目前佔GDP的40%左右，這從另一方面也說明我國的經濟結構更趨合理。
再比如，下圖是某公司按崗位類別劃分的招聘天數的變化趨勢：
從中可看出：客服類崗位的招聘天數下降明顯，而運營和銷售類崗位的天數都呈上升趨勢，其中銷售類的趨勢尤爲明顯。從HR的角度來分析，我們就需要重點關心銷售類崗位，解決其耗時上升的問題。
5 模式分析
模式分析和趨勢分析類似，也是看數據的變化趨勢或形態，所不同的是這裏沒有時間維度。
下圖是某公司給一名員工做的360度考評得分表。左邊是對員工進行考覈的各個維度，右邊的彩色線條代表各個不同同事的打分。打分靠左意味着分數偏低，靠右意味着分數偏高：
從這張圖表中，我們不難看出打分結果數據整體呈現出的一種模式：在“創新”和“選拔與發展他人”這兩個維度，幾乎所有的打分者都認爲該員工在此項能力上表現偏低（和其他能力相比），而在“誠實正直”這個維度上，幾乎所有人都認爲該員工表現偏高。
因此，如果從該員工的角度來分析這份報告的結果，也許可以忽略每個打分者的具體打分結果，但他明顯需要重視那些所有人都給出低分的維度，比如“創新”。
6 假設分析
谷歌在其著名的六步數據分析模型中把第一步定義爲“觀點或假設”。
什麼是觀點或假設？就是人們對某件事物形成的一種意見，它是與事實相對立的。我們在做數據分析前，收到別人的意見時應該先把它當作觀點或假設來對待，而不是當作事實。
舉個例子，業務經理告訴你說員工工資過低，需要加薪挽留員工。如果你把這件事當作事實，就會開始琢磨公司還能拿出多少預算、需要把這筆預算花到哪些人身上才能更好地挽留員工。
但是，假如我們首先把這個當成一個觀點或假設，接下來一步正確的做法就應該是收集與這個觀點相關的數據和指標，再進行分析，最終通過分析結果來印證或推倒推到該觀點，並提出後續行動方案。
因此，在前述案例中，儘管業務經理的觀點是希望加薪，但是最終通過分析會發現導致員工離職的原因不僅僅是薪水，還可能涉及到公司文化、領導者風格等因素，後續採取的行動也就更能有的放矢。
這樣，才能確保片面的觀點不會遮掩事實的真相。
7 相關分析
把兩組不同的數據放在一起分析，找出其中的相關性，就是相關分析。
相關分析往往是做因果分析的重要前提。比如，老闆們都希望看到員工在正常的工作時間段以外加班，恨不得加班時長越長越好。那是不是加班時間越長，員工或公司的績效就越好呢？一個簡單的方法是把加班時間和績效兩組數據放到一起做一個相關性分析，即可以看出其中的規律。
不過，做相關分析的時候要小心一點，就是尋找的數據需要儘可能互相獨立。之前有人提到，想分析員工獎金和公司績效之間的關聯性，看是否高獎金帶來了高績效。這樣分析會有問題，因爲獎金係數本身就是根據績效來計算的，兩者之間當然是一種強關聯。爲了實現以上目的，倒是把員工基本工資和公司績效放到一起分析，更合理一些。
8 因果分析
做數據分析的目的是希望找到表面現象下面的原因，從而找到解決問題的正確途徑。
因果分析可能是數據分析裏最複雜的一種。很多人把相關性分析等同於因果分析，這是一個常識性的錯誤。相關並不一定等於因果。舉個例子，夏天來了，你會發現游泳的人數和購買冰淇淋的人數這兩組數據呈現強相關性，但你並不能因此就得出結論說是因爲游泳的人多所以導致買冰淇淋的人多。
統計學家們在做因果分析時，一般會有嚴格的條件限制。要得出兩個因素之間存在因果關係，至少得滿足兩個前提：第一，兩個因素在發生時間上存在先後順序，先發生的爲因，後一個爲果；其次，在其他條件不變的前提下，第一個因素髮生變化，會導致第二個因素的變化。
舉個例，公司做了一次人才發展項目，你如何證明這個項目是有效果的呢？嚴格的做法是，首先，收集這個人羣在參加項目之前、期間和之後的績效表現，觀察前後階段績效是否發生明顯的變化；其次，確保在項目實施期間，員工除了該項目之外，不會受到其他任何外部因素的影響。
更嚴格的做法，是另找一組同樣的人羣做對比。這組人的來源和之前一組完全一樣，不同的是他們沒有參加任何人才發展項目。假如項目結束之後，前一組人羣的績效提升明顯高於後一組人羣，就有了充分的證據來印證該項目的有效性。
之前一位客戶曾告訴我，他們在分析一個人才項目有效性的時候，使用了更極端的方法：挑一組明顯能力低於平均水平的員工參加項目，之後再和正常水平的一組員工做對比。假如前一組員工的績效提升高於後一組，就能更有效地說明項目確實帶來了積極的效果。
9 迴歸分析
迴歸分析可以被看作是相關性分析的延續，它也是數據分析中最爲重要的方法之一。
相關分析讓我們看到不同數據之間的相關性，而回歸分析則把這種相關性通過數學公式具體地量化出來。雖然相關分析不能直接解釋因果，但這並不妨礙我們通過相關分析實現預測和控制的目的。
比如，我們發現員工人數和公司績效之間有較強的相關性，然後用數學公式將這種關係表達出來，那麼我們就可以推算當公司績效達到某個水平的時候，員工人數應該處於什麼水平。當然，迴歸分析出來的結果只是一個近似值，並非百分百精準，但已足以幫助我們在大多數時候做決策之用了。
HR數據分析中常用的迴歸分析，分爲線性迴歸和非線性迴歸。前者包括簡單線性迴歸和多重線性迴歸，後者包括多項式迴歸和邏輯迴歸。有人說，做迴歸分析最核心的就是找到你想研究的關鍵問題（Y或因變量）以及影響它的因素（X或自變量）。
找準X和Y可以幫助我們有效地建立起迴歸模型。比如，爲了預測什麼人可能成爲公司的高潛人才，這裏Y就是一個人成爲高潛的可能性，而X可能就包括這個人的學歷、專業、性格、勝任力、承擔項目數、專業培訓經歷等等。通過迴歸分析，我們可以找到對Y影響最顯著的因素X都是哪些。
以上便是HR數據分析中最常用的分析方法，它們可以幫助你解決日常工作中大部分與數據相關的問題。
本文系範珂授權世界經理人發佈，並經世界經理人編輯。文章內容僅代表作者獨立觀點，不代表世界經理人立場，如需轉載請聯繫原作者獲取授權，並請附上出處(世界經理人)及本頁鏈接http://www.ceconline.com/mycareer/ma/8800102185/01/，推薦關注微信公衆號（ID：CEC_GLOBALSOURCES）
© 世界經理人：自1999年創立以來，世界經理人網站(www.ceconline.com)致力於引導職業經理人實現卓越管理，以專業的形象爲經理人用戶全方位提供最佳管理資訊服務和互動平臺。