配置数据源,洞察数据背后的故事

在整理数据的过程中,BI使用者需要创建维度、选用维度,并挖掘更多的数据维度。6月30日,Moka资深客户成功经理杨建林在BI系列公开课中,带领大家洞察数据奥妙,挖掘其背后故事。

数据源与它的小伙伴

若想弄清数据源的含义,就需要了解其本身定义及与其相关的几个概念:

· 字段:招聘系统每个对象上的颗粒维度,组成每个实体业务对象的元素。Moka BI中有500+系统自带字段,同时支持Moka ATS后台用户在职位、候选人、Offer及HC字段管理模块下创建的自定义字段。

字段维度举例:职位名称,职位招聘流程,职位需招人数,候选人姓名、邮箱、电话

· 实体:系统中每个业务对象,划分自定义字段的类别。Moka BI目前提供30+个实体。

· 数据源:是配置报表的源头,即报表字段/条件的获取来源。对数据源里的实体或实体连接进行修改,会直接影响到使用该数据源的报表数据结果,同⼀数据源可作为数据模型用来建立多个报表。

· 关联关系:是可根据报表配置需求搭配,每个实体之间都存在关联关系。如果配置的连接关系不同,则配置完成的报表数据呈现就可能不同。

实现系统维度,配置数据源

了解数据源及相关概念后,可对数据源配置进行学习。本系列的前三节课涉及到许多报表维度,怎样可以在系统中实现这些维度?

1. 内置数据源

产品基于上千家客户制作报表的需求而形成。因此,在产品侧预先设置好的实体连接关系,基本可以覆盖80%~90%的用户报表配置需求。

然而,在实际业务过程中,也有一部分报表需求不能被内置数据源所解决,此时便需要我们搭建自定义数据源。

2. 通过需求反推数据源

通过需求反推数据源就是搭建数据源的案例之一。比如,现需统计招聘HR工作量及识人精准度,则需要查看候选人被操作转推至其他岗位的数据。

该命题涉及了三个对应数据源,第一数据源为“用户”,第二数据源为“用户操作”。当HR将候选人推至其他岗位时,需用到的第三个数据源为“申请”。

数据源已知,就可在系统中创建这三项数据。操作步骤如下:

·在报表中心处,进入报表配置需求模块,点击数据源-添加数据源;

·在左侧寻找“用户”“用户操作”与“申请”三个数据,并将其拖拽至右侧画布;

·点击添加连接关系-弹出实体-通过字段连接;

·完成数据源配置,即可返回报表中心-新建报表-选择刚刚创建的数据源;

·拖拽用户姓名、用户操作候选人、推荐职位申请及推荐候选人是否入职等数据维度,生成明细表。

以上就是数据源概念及字段连接讲解,大家如想深入了解具体配表步骤,可与客户成功经理进行交流。

PS:在实体对象数量如此之多的情况下,用户需要依照实体关系对照表,以知晓哪些字段间可以连接。该表可通过客户成功经理获得。

洞察数据,聆听数据语言

数据洞察模型

基于招聘数据与操作系统留痕,企业可追踪、分析背后规律,通过这些规律指导后续行为与决策,将招聘团队从繁琐工作量中解放出来,控制招聘可预见范围,并以数据支持决策,最终达到降本增效的目的。

见“招”拆招,用数据分析!

给大家出个问题:如果我们现在接到任务,希望在2个月内招聘100名软件工程师。那在这个指令下,企业需要哪些人手,又需要做好哪些准备?

你可以先想想这个问题,再来看看怎么运用工具解决。

1. 招聘漏斗表

分析过去三年软件工程师岗位的招聘通过率,并结合目前在招聘系统流程中的人员储备,可推算软件开发工程师岗位的招聘人数。

基于现有每阶段转化率、各阶段简历量,通过对应比例相乘、四者加和,在简历处理完毕的基础上,可计算出,企业预计可完成约73个软件工程师的招聘量。

2.寻找差距

若想完成指标100的数量,还需招27人,通过反推,企业在初筛阶段还需引进约2300封简历。

关键策略为,加大寻访力度,并提高阶段转化率,尽量缩短完成周期。反推计算过程如图:

3. 预测招聘进展

基于以往三年各岗位各阶段平均数,可预测40天后的招聘人数量,如下图所示,计算结果为在未来一段时间内,企业大概能完成的HC招聘数量。

此外,如果企业试图增大目标量,则需要在各阶段、各流程中提升人效。

4. 预测Recruiter

在当前人效基础上,企业需要招聘10个新候选人。完成该指标需要HR看50份简历,或做10个电话面试,或安排30个面试,或沟通10个offer。那么,完成该项目共需要多少HR?

如下图计算过程所示,基于目前系统数据及要引进新数据,需375人天,即如果一个HR完成以上项目,共需375天。如果企业要在63天招聘周期内完成该项目,则需6个HR完成。

以上就是通过数据层面对招聘数据的预测,该结果也是未来汇报的依据。

总被拒绝?让数据诊断原因!

招聘过程中,HR常在发了offer后被候选人无情拒绝。究其原因,是因工作地点、发展路径,还是薪资水平?

以薪资维度为例,企业该如何透过此维度,为其未来招聘做出决策呢?

基于以往数据可统计出候选人在投递时的期望平均薪资水平,或发出offer平均薪资及接收offer候选人平均薪资,以及另外两个维度——拒绝offer的平均薪资期望,和拒绝offer的平均工龄。

观察数据统计下反映的现象:

·对于工作2年左右的客户成功经理,其平均薪资期望大概在16000左右,在此薪资水平下,候选者接受offer的概率较高;

·社招中,大部分参与人都希望在家庭所在城市工作。由此可知,工作所在城市是候选人考虑的重要因素之一。

从薪资方面来说,HR可通过相关现象知晓市面不同工龄、年限职员的期望薪资范围,并以此作为内部盘点标准,为企业制定星级及招聘预算提供参考。这样与市面对标后,企业可尽量减少由于薪资原因拒绝offer的候选人数量。

透过数据报表层面,看透数据背后的隐藏故事,学会通过数据进行辅助决策。以上就是本节课的内容。

下节课,Moka将为你分享行业优秀BI报表案例,让你在拥有理论知识的基础上,为实现最佳实践做好准备!

(免责声明:本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿,凡在本网站出现的信息,均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性,但不保证有关资料的准确性及可靠性,读者在使用前请进一步核实,并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏,概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时,应及时向本网站提出书面权利通知或不实情况说明,并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后,将会依法尽快联系相关文章源头核实,沟通删除相关内容或断开相关链接。 )