分析现状的几个维度
申论五大维度？
申论五大维度？
公务员笔试申论常规性材料的五大维度，即：
主题(话题)、现状(好现象 问题)、原因、影响(危害 意义)、对策。
通过梳理材料的逻辑思维导图，可快速把握每则材料和整体材料之间的逻辑关系，对于小题目而言，不论是归纳概括(问题、原因、影响、主要内容等)还是提出对策、贯彻执行、综合分析都能按其答题思路快速找到答案要点。
什么是职业环境的维度？
职业环境,就是某职业在社会大环境中的发展状况、技术含量、社会地位、未来发展趋势等。进行职业环境分析的要求是,通过职业环境分析弄清职业环境对职业发展的要求、影响及作用,对各种影响因素加以衡量、评估并做出反应。
思考的六大维度是什么？
第一个维度：明确具体要做的事情是什么？有什么目的？
第二个维度：知晓做这项事情的原因、理由是什么？
第三个维度：根据问题的大小、难易等确定由谁来负责完成？
第四个维度：给出做这件事的时间和完成时限。
第五个维度：明确处理这个问题要在哪里进行？从哪个方面入手？
第六个维度：给出一个做事的思路方向，点明一些处理方法，提高做事效率。
如何分析离职率，入职率？
离职率、入职率是每个行业、企业，个人等在单位时间周期内，对人力资源流动情况变化观测及衡量的重要数据，其观测目的各有侧重；分析离职率、入职率之前，需要先明确分析目的，即要解决什么问题；然后根据目的去收集汇总相关数据，再通过数据清洗处理，建模分析挖掘得到具备参考价值的结果；
以下从行业、企业、个人三个主体层面来做具体解析：
一 目的不同：1、行业层面：
其核心目的是:对行业人才资源的动态反馈并引导行业人才资源市场的供需关系；一定程度上反映行业经济发展趋势；
行业离职率、入职率的数据监控观测，根据本行业人力资源流动分布情况，描述或验证本行业人才市场的供需关系走势，预测本行业人才供需方向，从而引导教育，培训等相关行业的业务调整；同时正相关反映本行业的经济发展趋势情况；
比如，市场进入大数据全面覆盖时期，人工智能行业的高速发展，行业对智能、数据类人才需求量急剧上升，总体行业数据显示：智能、数据类岗位及相关岗位的入职率，有明显大幅上升，而离职率下降甚至趋近于零；
当大数据、智能人才供不应求时，影响并引导教育，培训等行业调整自身业务结构，增设相关大数据相关的知识、技能课程及实操演练；
同理，很多传统行业中，流水线工人，收银，服务员等，当这类重复简单的工作岗位被人工智能的机器人代替时，其全行业的人才供需关系也就发生变化，其离职率大幅上升，入职率下降，并趋近于零；
当传统岗位供大于求时，这是将会影响并引导教育，培训等行业调整业务结构，减少这类人才的输送；
而通过行业离职率、入职率的观测结果，为该行业中的各企业内部的HR部门及人才战略管理人员提供人才战略决策制定参考，针对行业人才市场需求变化，对自己企业人力资源战略方向进行适当调整，重新配置人才库，并储备战略人才；
2、企业层面：
其核心目的是：提高人才资源在市场中的竞争力；
企业通过离职率、入职率的数据监控观测，详细了解企业内部人才流动情况，对内分析流动发生的本质因素，对外分析本企业的人才资源在市场中的竞争力强弱（人才是市场核心竞争，不但要分析内部流失率、入职率，同时也要分析竞争对手的）等；
通过企业内外部离职率、入职率的观测结果，为本企业的HR部门及人才战略管理人员提供人才战略决策制定参考，结合行业数据，及企业内外部的数据变化，来调整企业人力资源方向及策略，及时调整人才类型配置，及人才储备渠道；
3、个体层面：
其核心目的是：了解行业人才需求、行业发展及企业实力，为自身职业发展方向优化选择提供参考；
二 分析过程不同：1、行业层面：
数据特点：数量大，类型多样，分析挖掘过程较为复杂；
收集途径：向专业数据机构购买，或机器采集（与第三方数据监控机构合作，比如钉钉）等；
价值贡献：主要侧重反映整个行业的人才市场供需关系情况；
2、企业层面：
数据特点：数量大较小，侧重非结构化数据收集，分析挖掘过程较为容易；
收集途径：使用各种量表进行收集（常用OA，HR等软件进行数据汇总），外部数据需要通过人脉等其他途径获取；（适当考虑。须用正当手段获取，毕竟这类数据也算企业密级较高的商业机密）
价值贡献：主要侧重反映企业间市场竞争力强弱；
三 样本类型侧重点不同：1、离职率、入职率的数据样本的类型分为结构化数据，和非结构化数据；
—— 结构化数据一般体现为单位时间周期内，期初人数、期末人数、录用人数、离职人数等维度的数值型数据，比较容易统计和处理；
—— 非结构化数据一般为单位时间周期内，录用、离职岗位的职能要求，任职资格，录取人与岗位标准的差距及录取原因，离职人离职时与岗位标准的差距及原因等等非数值型数据，只能使用描述型语句来完成数据采集。
——非结构化数据，主要以量表的方式体现，其内容设计就很重要，既要客观反映样本真实情况，又便于转化为数值型数据；（这里可自行百度非结构化数据如何转化为结构化数据）
2、行业层面的分析：
主要侧重在多类型数据多维度的分析及挖掘，来概括呈现，整个行业人才市场状况及行业发展趋势；
3、企业层面的分析：非结构化数据的分析挖掘就更加重要。
这是因为企业内部人才流动的原因及流向分析，主要集中在非结构化数据里，而企业在市场中的竞争，也会因非结构化数据输出的因果受到很大影响；
比如，分析企业内部核心的技术团队离职情况，如果我们只简收集汇总下离职人数，简单用公式计算下出的离职率，获得的结果是表明一个流失状态，而对企业人才管理工作改善没有任何价值参考；
如果这些技术骨干流向对手企业，甚至输出对离职企业的负面情绪，这人力资源的损失就更加大了；因此，非结构化数据的深入分析挖掘，是企业人才数据分析的重点；
综上，分析离职率、入职率之前，一定要搞清楚这两个比率的样本、及样本基数是哪些，分析维度选择（比如新员工，老员工，职能岗，技术岗位等等），分析的目的，解决什么问题等；
根据分析目的，及需要的样本类型去采集相关数据，而分析，建模，挖掘等过程才能正常进行（一般使用合适的分析挖掘工具来完成），其输出的结果对行业、企业的商业目的才具备参考价值。
结语：
企业之所以设立人力资源部门，除了输送合适的人才开展企业经营业务，更重要的是：
把控企业内部人才适当的流动性（流失率在5-10范围），解决企业实际问题：
—— 对内，HR部门需要清晰辨别每个岗位的工作状态，避免出现平庸无贡献值的人混日子，却令优秀人才流失的现象；并及时修正及清理，营造好的内部竞争氛围；
—— 对外，HR部门需要时刻关注流失人才取向，及竞争对手的人才拥有及储备现状，及时收集信息反馈给上级领导，提醒并协助做人才战略决策；这方面，一些乙方公司的优秀猎头做的很好；
—— 在做离职率、入职率时，要全面考虑样本数据类型完整性及重要性，必要时对接专业的数据分析师来进程分析操作；
【墨蔸数据】作者：连续创业者，专注商业数据分析及项目团队管理。定期输出大数据商业运营管理实战经验。欢迎持续关注，一起探讨交流，谢谢！