各位亲爱的读者,今天要讨论的话题是关于行政类数据分析的。最近行政联盟上海站也举办了一次关于行政数据分析的线下分享会。想着之前也有些读者在问关于行政数据要如何收集和分析的问题,想着可以写一点。因此有了这篇文章。 关于数据分析,能讲的实在太多,笔者试着从下面几个维度来进行分析。1、如果我们要做数据分析,有什么可参考的书或方法论么?2、入门之后,我们可以做点啥有意思的事情?3、我们行政需要收集哪些数据呢?我有数据,我要如何利用呢? 下面让我们进入第一部分,有什么书或方法论可以让我们进阶或入门么? 答案一定有的。笔者学习数据分析主要靠了几本书:《赤裸裸的统计学》:轻松了解学习统计学的意义,以及在日常生活中如何应用统计学,重点是你也可以把这本书当作科普读物,看起来完全没负担。《麦肯锡教我的思考武器》:这本书规避了很多“入门到精通”类似数据惯有的模板很多,但对实操没有帮助的缺点,从案例出发,对分析方法做了解读。《深入浅出统计学》:掌握基本的统计学基础知识,结合应用场景快速入门《数据产品经理修炼手册:从零基础到大数据产品实践》:学会制定业务指标是进行数据分析的第一步《如何用数据解决实际问题》:从案例出发,如何用分析方法来解决实际问题。 笔者常用的数据分析方法有下面几种,不展开,感兴趣的读者请自行百度。 逻辑树分析法:通过逻辑树,将复杂或难以量化的问题,拆解成小问题及可量化的问题,从而简化决策多维度拆解分析法:多个角度思考,跳出因果律对比分析法:数据对比假设检验分析法:通过假设过程或结果,来检验业务问题的解决办法是否合理 RPM分析法:适合做用户价值分析 接着,学会的数据分析,我们可以做哪些有意思的事情呢? 用Google来举例子最直观。大家去Google参观,听了介绍后,就会感觉这家公司好人性化,其实哪有什么一开始就人性化的设计,大家看到的人性化设计,开始可以靠模仿,后续只能靠数据分析,来根据业务需求做优化。 Google公司的POPS(人力运营部)就是行为实验室的翻版。根据一些专业文章的分析,其核心是一套复杂的员工数据追踪系统,它通过获得关于员工生活和工作的各种经验数据,不仅仅是餐厅桌椅的理想尺寸和形状,甚至还有排队队伍的长度等信息。比如说,为了帮助员工在餐厅排队时最大限度地利用排队时间与周围人交流,Google专门分析了员工排队候餐的数据,推导出最理想的排队时间,并据此重新设计了员工餐厅布局。那我们行政数据分析到底要做什么?简单来说就是:通过一定的工具或算法从日常的数据中总结出对行政运营有用的结论。 日常工作中,我们行政接触到的数据非常多:从前台到报障,从接待到活动,从餐厅到厕所,从福利到相亲。只要用心发掘,行政涉及的任何的活动、服务及产品产生的互动都会留下数据。只要我们利用合适的工具追踪数据,再去挖掘,就一定能够得到有价值的信息。 欧美有套成熟的数据分析层次划分,套用到行政的数据分析有以下四个层次: 第一个层次 描述性分析:是指对状态的一种描述,告诉我们“是什么”。比如餐厅就餐人数是多少、维修工每天修多少东西,餐厅大厨每天烧多少菜之类的问题。可以通过固定报表和不定期分析的方式,就能拿出相应的效率报告或人效报告。 第二个层次 诊断性分析:就是当你已经知道了事实后,我们通过诊断性分析来追问“为什么会发生”。大部分的老板不仅关心现状是什么,更关心为什么会发生。所以你不仅要告诉老板,我最近满意度降低了,还要告诉他为什么会出现这样情况的原因。即:追问原因,寻找对策。这也是我们行政重要的工作内容,但在实操中,因为缺少对有效工具的了解,大部分情况下是凭自己的感性认知或者通过小样本的访谈进行追问原因的工作,那自然出来的也往往是不准确的。 第三个层次 预测性分析:就是不仅仅看现状,还要看“接下来会发生什么”。这里就涉及到一个概念:“利用历史数据对未来节点下的各种状态进行预测”。比如说每年双11前台的快递都会爆,那我们自然可以预测今年双11不出意外的前台快递也会爆掉,那至于会有多少快递,那就要通过对历史数据的分析,结合其他信息(比如说天猫的销售预测,邮政局对今年包裹量的预算、男女比例等信息)来进行综合分析,留一定余量后得出的数据,来作为今年应对措施的基础了。 第四个层次 指导性分析:如果说前面几个层次是告诉通过分析数据,方便你自己做决策的话,指导性分析就是直接告诉你,在这样的情况下,你应该怎么做!在行政联盟的大咖说上,其实有很多这类的指导性分析的文章,感兴趣的读者可以去看看。 当然除了以上四个层次外,随着AI技术的发展,现在又有了一种叫认知分析的层次,就是利用算法来分析数据,并根据分析出来的数据来推测行为。比如说,你在淘宝上看了一个商品后,过段时间淘宝、爱奇艺之类的都开始给你推类似的产品是一个道理。当然这个不在本文的讨论范围内。 那可能要问了,既然以后是AI的时代,我们行政人要如何保卫自己不被替代呢?笔者之前写过一篇关于大数据时代如何不被取代的文章,大家可以参考一下。 在本文的角度来说,笔者觉得一本叫《The Power of People》的书内的观念非常应景。这本书里把企业的员工分为三类:Analytically Savvy,接受过严格的数据分析技术培训,熟练地分析数据,并且能够将数据转化为事实。Analytically Willing ,对于数据分析持开放思维,虽然缺乏系统的训练,但是愿意去学习。Analytically Resistant,对于数据分析的观念持怀疑和敌视的态度 ,更加相信直觉。 我们当然不希望做最后一种人,那我们要如何适应及改变呢? 一、我们要起码的有关于数据分析的认知。Linkedin的一份报告里强调,越来越多的企业管理者认识到数据分析对员工行为管理的重要性,所以不变革不行。这种思维还包括对于所有新技术的接纳。在所有的企业职能中,我们行政部门要改变过去只看职能的观念,把眼光放在更加长远的价值选择上。 二、实践中,很少有行政能去达到指导分析或预测分析的层次,但我们至少可以试着去做描述分析、诊断分析。不要被外面流行的算法啦、人工智能啦,这些高大上的词语迷惑,其实,我们日常能接触到的数据分析并没有那么复杂,只是在于你肯不肯去挑战你的舒适区去学习而已。 说实在的,通过数据分析,很多行政人正在从“执行命令”角色改变为利用分析技术,为公司重大事项提供决策依据,甚至是参与决策的人。这里有个捷径,就是模仿我们行政,我们行政部门对业务数据的使用,就是我们行政模仿的榜样,包括业务指标。 最后,在实操中,我们要如何选择业务指标和利用数据分析呢? 举2个行政具体的案例,相关数据是虚拟的,仅仅是举例而已。 场景1:午餐排队时间较长,是否要推错峰就餐? 背景介绍:某公司在上海的办公区分在了2个楼内,大约1200人,餐厅在1栋楼(简称副楼)的B1层,可以同时容纳300人就餐,另外一个楼走到餐厅大概需要5分钟,食堂通过刷卡就餐人次同公司结算账款。近期有同事向行政反馈就餐排队时间超过10分钟,要求更改进餐时间。 业务指标:1、每日整体就餐人数2、各档口人员分流情况3、就餐时间4、翻台率 使用工具:FineBI 结论:1、数据异常:发现就餐人里有几位离职的员工立刻注销已发现的离职人员的权限核实一年内离职人员权限是否已失效审核离职流程中权限注销节点是否存在问题离职人员消费产生的损失,由行政处理2、就餐数据:主副楼实际已出现了分流情况主楼员工就餐时间明显后延或提前排队数据显示主楼约有30%的员工延后半小时就餐,约有10%在就餐开始前排队。3、集中就餐时间分析:我们可以做个热力图来做就餐时间的直观展示。食堂就餐密集时间为12:08-12:38,主楼员工就餐高峰为12:29-12:49 分析:重叠度不大,可以通过其他措施来减少排队时的烦躁感,但错峰就餐意义不大。 场景2:一线员工加班长,是否要招人? 外包物业的驻场经理在例行的沟通会上反馈说,最近2个季度,一线的保洁和保安一直在加班,需要再增加人员,需要我们行政进行申请。招不招?招多少?可不是听几句抱怨就能确定下了的。在调配预算来增加人员前,还是要用数据说话,底气足好办事: 业务指标:1、人效:保洁:(清洁次数*单次时长)/总工作时间*清洁考评基数 保安:(保安工作时间+活动支持工作时间)/总工作时间*工作完成度2、按人计算的、以周为区间的加班趋势:确认加班是普遍现象还是个别情况分析工具:Excel 结论:54%的保洁,近2个季度的加班小时在30h以内,平均到每月约5h,较为正常;75%的保洁,人效在0.7以内,较为正常74%的保安,近2个季度的加班时间在200h,平均到每月约33h,日均加班1.5h,在可接受范围;65%的保安,人效在0.6以内,偏低了。总加班超300h的保安或保洁仅3%; 从个人加班排行看,只有保洁主管数量最多,个人申请的加班小时占了个人加班总时长的70%。 综上,针对外包物业要求加人的请求,建议暂时先进行人员储备,并针对保洁主管加班的问题进行具体分析,如持续高水平加班,则适当进行人员补充或采用借调方式补充“人力”。 收起
各位亲爱的读者,今天要讨论的话题是关于行政类数据分析的。最近行政联盟上海站也举办了一次关于行政数据分析的线下分享会。想着之前也有些读者在问关于行政数据要如何收集和分析的问题,想着可以写一点。因此有了这篇文章。 关于数据分析,能讲的实在太多,笔者试着从下面几个维度来进行分析。1、如果我们要做数据分析 ... 详情
各位亲爱的读者,今天要讨论的话题是关于行政类数据分析的。最近行政联盟上海站也举办了一次关于行政数据分析的线下分享会。想着之前也有些读者在问关于行政数据要如何收集和分析的问题,想着可以写一点。因此有了这篇文章。 关于数据分析,能讲的实在太多,笔者试着从下面几个维度来进行分析。1、如果我们要做数据分析 ... 详情