人力资源管理受到越来越高的重视，这一趋势并没有完全减轻人力资源管理者自身面临的尴尬局面，相反，当人力资源管理者越是深入地参与到高层战略决策中时，各方面对于人力资源管理决策的科学性要求就越高。而传统上，人力资源管理的投入可以计量，但却无法科学衡量产出;很多决策可以用经验和感觉来说明，但却无法用可靠的依据来支撑。因此，人力资源管理的经验主义，甚至是“跟着感觉走”的决策方式，在高层战略决策中恐怕难以取得充分认可——如果将此与财务管理相比，则更为突出。
近年来， e-HR系统应用日益广泛，人力资源数据积累更加全面、数据获取成本更低、数据分析更加便捷;而随着大数据时代的开启，从理念和技术上的更新升级将为人力资源管理决策科学化提供更坚实的支撑。
第一层次：描述性数据分析
很多企业仍然面临着非常严峻的数不清多少人、搞不清多少枪的困境。一些中大型集团企业，由于规模大、层级多、地域分散，众多分子公司时时刻刻都存在人员流动，企业所掌握的数据往往滞后，每次摸家底都劳师动众，而普查之后一段时间又重新面临数据老化、滞后的问题;而一些小型企业，又可能由于缺乏必要的统计指标体系，造成数据严重残缺不全。在这种情况下，根本不可能具备科学决策的基础。
因此，很多企业正是在这一需求驱动下，引进 e-HR系统，确立人力资源管理指标体系，进行初始数据收集整理，建立起最初的人力资源管理数据平台。在美国，至今还有大量企业在使用最初的 DB2数据库作为人力资源数据的管理平台。另外，在 e-HR系统中，各种业务流程结合数据表单能够自动驱动各种数据的变更，比如通过薪酬调整流程，某一员工薪酬晋级后的薪酬标准会自动更新;换言之，业务流程保证了基础数据的及时性，两者相辅相依。
基于这些数据，企业可以进行大量的人力资源管理数据描述分析，诸如对员工年龄、性别、学历、专业、部门、岗位等指标进行的各类统计分析以及多维度的交叉分析等等;还可以对这些指标进行纵向分析，从多个时点数据的演进发展变化过程来发现问题和趋势(如下图)。
无论这些分析多么复杂，从统计学的角度来说，都属于描述性统计，其目标和价值就在于通过这些指标和数据说明企业人力资源的基本状况。企业中的大多数报表基本上都属于这一类，特别是对于中大型集团企业，因为它承担着总部决策支撑的作用;而之所以这种作用发挥不足，就是因为这些报表数据成本高昂且往往滞后。
因此，这看似简单，但实际上却绝非易事，只要企业规模达到一定程度，数据统计和更新的工作量将远远超出想象;只有将这一工作扎实、持续的推进下去，建立起多年的历史数据，才能够给企业人力资源管理提供巨大的支撑。
第二层次：过程性数据分析
在描述性数据层次更多的侧重于结果数据，而事实上，在企业人力资源管理的过程中会产生大量的动态的过程数据;结果性数据往往会忽略掉大量有用信息，比如，对于某一岗位的招聘而言，如果只看结果性信息，那么只是招聘了多少人、是否完成了招聘计划;而实际上，这些结果信息并不足以全面体现招聘的有效性，还必须通过大量的过程数据如投递简历数量、通过初步筛选的简历数量、通知面试的到场数量、通过第一轮面试的数量等才能更完整地体现招聘过程。但是，在现实的人力资源管理中，大量的过程性数据收集成本更高，以至于虽然很多分析在理论上较为成熟，但实际上却无法落地，比如上面所举的招聘过程的例子，应聘比、录用比等指标显然能够更精细化更深入地反应招聘工作中的问题，但实际上很少有企业能够如此全面系统地收集过程数据，其结果自然是各种人力资源管理决策依据不足 。
在第一层次上 e-HR的建立或许还有讨论的空间，而在这一阶段， e-HR系统的引进已经成为刚需。正是在大量复杂的人力资源管理日常业务中， e-HR系统自动、全面地记录了各种人力资源管理过程数据，为后续进一步的分析决策提供有效地支撑。如果做一个形象的比喻，结果性数据就像是一张照片，而过程性数据则是一段视频;照片反映的是某一时点上的静态切片，而视频反映的则是某一时段上动态过程。两者所记录信息的完整性、反映情况的全面性的区别是显然的。科学管理之父泰勒曾通过对铁矿石搬运工的工作过程摄像进行反复观察、动作研究找到了大幅提升搬运效率的方法，人力资源管理也完全可以通过对大量、细致的过程数据的深入分析而找到解决人力资源管理问题、提升人力资源管理水平的路径。
过程数据的分析可以应用到人力资源管理的各个模块中，在这一层面的分析中，没有如第一层次结果性数据既定或相对明确的分析模型，而是需要企业人力资源管理者根据自身的管理需要去创造性地开发分析模型。例如，对于企业员工流失的分析，按照传统的描述性分析方法，只能描述流失人员的部门、年龄、工龄、学历等的统计结果;而如果将大量的过程性数据引入进来，那么就可以对每一个员工从招聘开始的全部人力资源管理数据进行分析，员工流失可能是最近的薪酬调整没有达到其期望，或是绩效评价结果对其的打击，也可能是员工能力较快，遇到了个人职业发展的天花板等种种原因，从而找到管理优化的路径。这也更加符合日常工作的情境，对员工流失的分析一定是多维度、全景式的因素分析。
第三层次：推断性数据分析
如果在前两个层面达到了较好的应用结果，那么接下来企业就可以进入更高层面的推断性数据分析。所谓推断性数据分析，不仅仅是描述结果和展现过程，更是基于大量的数据分析预见性地提出管理建议，这就是所谓的“上医医未病之病，中医医欲起之病，下医医员工多次业绩和潜能评价构成的能效九宫格已病之病”。比如，可以通过大量的数据分析宫格象限位置变化形成的路径，对可能出现的员工离职做出预警，那么我们就可以对员工得出非常准确的评价，包括员工的考勤数据、绩效数据等结果数据，从而进一步提高人力资源配置的有效性。
当然，要形成如此全面的数据分析一方面有待技术平台的升级，另一方面也有待于对员工信息获取的授权。但是，如果从目前可行的角度来看，也有很多改善的空间。比如，很多企业已经建立起相对完善的业绩考核系统，也有很多企业在探索进行潜能和价值观的评价，那么就可以根据业绩和潜能构建其能效九宫格，那么处于不同业绩和潜能等级上的员工就落入到相应的象限内，从而可以采取相应的管理措施(如下图)。进一步，如果将一定周期内(如两年)员工多次业绩和潜能评价构成的能效九宫格象限位置变化形成的路径进行分析的话，那么我们就可以对员工得出非常准确的评价，从而进一步提高人力资源配置的有效性。
企业对于人力资源管理数据的利用，要遵循从低层次向高层次逐步发展的规律，如果企业连基本的描述性数据都无法掌握，而奢望进行推断性数据利用，那么只能是望洋兴叹、可望不可及了。特别是一些 e-HR建设基础尚未起步或者较为薄弱的企业，从最基本的描述性数据起步，扎实推进更为实际。当然，这也对 e-HR系统的性能提出了更为严苛的要求，系统需要能够灵活地设置各类指标，能够完整地记录业务流程中形成的过程数据，也要支持在系统内便利地建立分析模型，因此 e-HR系统必然更加强调灵活性和开放性，而且这种灵活性和开放性包含了允许其他分析工具或 BI在此平台上进行集成和数据挖掘。
当然，哪怕再全面再精巧的数据分析都无法取代管理者的综合分析和判断，这也是由管理永远只能是部分是艺术、部分是科学所决定的。但是，在大数据时代我们也应该懂得“谁掌握了数据，谁就将掌握未来”!
