伴隨人力資源管理數智化轉型進入新的變革探索階段，基于新一輪AI技術的數據創新應用成為又一發力點，企業期望通過升級數據分析能力為人力資源管理持續賦能，主要變化體現在：

人力資源管理工作重心逐步擺脫事務性勞動，通過三支柱等模式緊密結合業務，支撐戰略發展。

人力分析不再局限于人員結構分析等單一領域的內容，需要與其它業務領域深度融合：

一方面關注人效提升，為評估人效改進和成本管控現狀，進行人效指標、人均投入產出、人均毛利率等指標等關鍵指標分析；另一方，結合行業與業務特性制定分析指標，促進業務改進。例如某連鎖門店企業，通過將人力數據和每日門店銷售業績相結合，按日推送給店員銷售提成數據，實現即時激勵；并通過對比各門店人均毛利率等關鍵指標，發現管理差異和關鍵改進環節，促進整體業績提升。

伴隨企業在數據治理工作的加大投入和數據平臺建設，人力數據分析不再是簡單的線上表格和歷史數據匯總，還需結合業務對人員規劃、人才配置進行測算和規劃。

例如某啤酒制造企業，為達成明年的擴大產能目標，基于大數據對全國各地的銷量、產量和庫存量進行周期性預測，并進一步推算相應的生產計劃和投入的工人數量，用于指導季節性用工的招聘工作和人工成本測算；除數值預測外，基于AI大模型技術的洞察建議進一步輔助管理決策，例如整合市場薪酬動態和招聘動態，基于企業崗位要求和所在區域的薪資水平，AI調薪助手推薦合法合規的年度調薪方案。

人力數據報表、領導駕駛艙通常是主要的分析呈現方式，但存在事后分析和使用場景模糊等問題。企業希望在決策和業務場景中借助數據分析增強即時決策能力。

例如高管在進行人才選拔時，隨時查看人才全景畫像和人才多維度數據對比；考勤專員在排班時獲取智能化排班結果分布和崗位排班分析，并基于工時安排合理性建議進行進一步調整，例如白班分布不均、連續工作天數過多等。

企業在人力分析能力建設中遇到諸多問題和挑戰，例如數據孤島、數據標準缺失、統計口徑混亂、指標缺乏參考價值等，嚴重影響人力數據分析的準確性、完整性，難以有效地輔助決策。用友幫助企業從數據治理著手優化數據質量，以系統建設承載治理成果和應用價值，實現數據驅動。

用友建議規劃完整的數據治理框架，對人力資源數據進行全生命周期管理。從數據標準梳理開始，經過數據平臺采集和模型構建，最終向各類用戶呈現運營與決策價值。

統一標準。數據標準梳理是人力數據治理的起點和重點，以終為始從關鍵指標和業務貫通著手，形成人力主數據和業務數據對象和分析維度需求范圍，通過制定組織崗位、人員基本信息、薪資分類、干部人才等關鍵信息的業務標準、技術標準，統一業務語言和統計口徑。

機制保障。數據治理同時需要機制保障，通過建立清晰的數據管理組織和管理制度，明確人力數據定義、維護、管理的流程和職責角色，確保人力數據在不同領域、不同層級的有效應用和流動。

資產沉淀。數據遷移是人力系統切換項目的建設重點之一，原系統中沉淀歷史數據資產是數據分析的重要來源，具有寶貴的分析價值。按照已優化的數據標準對人力歷史數據進行錯誤修正、數據補充等；通過數據遷移工具加速處理過程，提升遷移質量；以合理的方案保障業務的無縫運營，制定系統并行運行策略降低薪酬核算、招聘入職等關鍵業務的切換風險。

持續進化。一方面通過建立質量監控能力保障優質數據資產的持續性，比如定期的關鍵數據準確性和及時性評估報表；另一方要滿足用戶不斷變化的分析需求，建立多維度分析模型和計算規則，隨時拉取分析對象和分析模板，以輕量化的配置和“所見即所得”的調整，實現持續的優化和使用。

通過逾三十年的經驗積累和近萬家企業的實踐和數據沉淀，用友BIP人力云預置8大分析主題，30個子場景，和170個指標，包括組織效能、薪酬成本、人才結構、人才流動等。為企業提供一套全景、多口徑的人力數據分析體系，覆蓋企業人力分析各類場景，全面對標人力資源管理先進企業，為企業量身剪裁出一套切實可行的分析體系。

面向組織，縱覽全局獲取關鍵指標，提升整體效能。聚焦不同層級組織的穩定性指標、人均投入產出等，通過層層穿透和橫向對比，洞察組織整體的人效狀況和差異，定位關鍵改進環節，追蹤管理目標達成情況。例如，某央企為落實三項制度改革，制定領導人員浮動占比和領導人員收入倍差數據，對比統計各二級單位領導人指標，評估改革推進成效。

面向員工，聚焦關鍵崗位和人才，促進員工成長。深入分析員工能力和績效表現，形成人才畫像、勝任力報告，通過九宮格、人崗匹配理清人才結構，結合任職資格或關鍵崗位勝任力模型制定個性化的人才發展計劃，實現個人價值和工作產出價值的雙效提升。

面向運營，撥除迷霧看清問題，輔助管理決策?；谟糜裏onGPT 大模型打造AI Agent，自動完成部分運營工作或輔助HR進行決策，例如智能調薪助手、考勤月結助手、人才發現助手等，根據各類影響因素生成分析和運營管理改進建議。