定义与边界
人力资源大数据分析：先把口径做对
人力资源大数据分析，是指把分散在人事、考勤、薪酬、绩效、招聘等系统里的员工数据统一口径后，用统计与机器学习方法回答人员结构、用工成本、人员流失、薪酬公平等管理问题的做法。它的产出是可复核的分析结论与风险提示，不是替代管理者做人事决定。
名字里虽然有「大数据」，多数企业的 HR 数据量并不大，几千到几万名员工的记录，普通电脑就能处理。真正的难点通常在口径：同样是「在职人数」，按月末还是按月均、含不含外包和实习生，得出的离职率可以差出一截。先把口径定清楚、写进流程，后面的分析才有意义。
如果团队现在主要靠 Excel 做人力报表，可以先看 从 Excel 到 iModel 的迁移思路，再决定哪些报表值得做成工作流。
| 关键事实 | 内容 |
|---|---|
| 典型数据 | 花名册与组织架构、考勤、薪酬、绩效、招聘、培训、离职记录、员工调研 |
| 接入方式 | 各系统导出的 Excel / CSV；或通过数据库连接节点加载厂商 JDBC 驱动接入，具体产品与版本需在评估阶段实测 |
| 数据源连接 | 300+ |
| 内置分析节点 | 300+，覆盖分组汇总、回归分析、决策树等常用方法 |
| 文本分析 | 可在工作流中调用本地部署的大模型，对离职面谈、调研开放题等文本做分类 |
| 部署形态 | 支持离线部署；Windows，以及 x86-64 版本的麒麟 V10/V11、统信 UOS |
| ARM 架构 | iModel 目前不支持 ARM 架构（鲲鹏、飞腾），相关版本仍在规划中。 |
| 平台内核 | 基于 KNIME 开源内核二次开发，中文化、信创适配与企业级增强部分为自主研发 |
| 法规依据 | 《个人信息保护法》第十三条将「按照依法制定的劳动规章制度和依法签订的集体合同实施人力资源管理所必需」列为处理个人信息的合法情形之一 |
常见分析场景
六个最常被问到的人力问题
下面每个场景都写明了要回答的问题、常用做法和最容易踩的坑。多数企业从前两项起步，数据口径稳定后再做预测类分析。
👥 人员结构与编制
问题各部门实际在岗与编制、人效是否匹配？
做法按部门、职级、司龄分组汇总，与编制表逐行核对差异。
注意先统一在职人数口径：月末还是月均，含不含外包。
📊 月度人力报表
问题每月的入离职、人工成本报表能不能不再手工拼？
做法固定目录放入当月导出表，同一条工作流每月重跑。
注意各系统的员工编号格式要先对齐，否则关联会漏人。
🎯 招聘漏斗
问题哪个渠道从投递到入职的转化率高、周期短？
做法按渠道统计各环节人数、转化率与招聘周期。
注意同一渠道在不同系统里写法不一，先建渠道对照表。
💰 薪酬公平性
问题同岗同级的薪酬差异，能否被职级、司龄、地区解释？
做法看分布与离群值，再用回归控制上述因素后比较剩余差异。
注意统计结果只是线索，个案要回到定薪依据与绩效复核。
🔔 离职分析与流失风险
问题离职集中在哪些部门、司龄段？谁可能即将离开？
做法先拆解离职率，再用历史离职记录训练决策树或逻辑回归。
注意风险分用于提前沟通，不宜作为单独依据做人事决定。
📝 调研与面谈文本
问题几百份离职面谈、调研开放题里，大家最常提什么？
做法在工作流中调用本地部署的大模型，按主题归类后统计。
注意分类结果要抽样人工复核，并保留原文便于回查。
做法示例
人力资源大数据分析：一条离职分析工作流怎么搭
以离职分析为例，下面是一条工作流的五个环节。前两步占去大部分时间，也是结论是否可信的关键。
离职分析工作流的五个环节
示例流程，非客户案例；每个环节对应工作流里可单独查看结果的一组节点
01数据接入花名册、离职记录、考勤与薪酬导出表
02统一口径对齐员工编号，按月末截取在职状态，区分主动与被动离职
03构造字段司龄、近一年调薪次数、加班时长、绩效变化
04训练与验证决策树或逻辑回归，用留出的历史数据检验效果
05输出与复核部门维度结果交 HRBP 复核，不自动触发人事动作
第二步里的「按月末截取在职状态」和「区分主动与被动离职」，决定了模型学到的是什么。若把合同到期不续签也算作离职，模型会把「合同快到期」当成最强的流失信号，这对提前挽留没有帮助。决策树的原理与可解释性，可以参考 决策树用例；两张员工表的核对方法见 两表核对任务教程。
| 工作情形 | 更合适的工具 | 原因 |
|---|---|---|
| 一次性的临时查询 | Excel | 打开即用，不必搭流程 |
| 多人同时编辑一张表 | Excel 或在线表格 | 协作编辑是表格软件的强项 |
| 每月口径固定的人力月报 | 工作流 | 替换当月数据后整条重跑，口径不会随经手人变化 |
| 跨五张以上表关联 | 工作流 | 每一步关联结果都能单独查看，漏人与重复一眼可见 |
| 结论要交给他人复核 | 工作流 | 处理过程以节点图保留，复核者不必逐个检查公式 |
数据合规
人力资源大数据分析，员工数据怎么合规使用
员工数据属于个人信息，部分还属于敏感个人信息。《个人信息保护法》有三条与人力分析直接相关：
- 第十三条：按照依法制定的劳动规章制度和依法签订的集体合同实施人力资源管理所必需，是处理个人信息的合法情形之一，但分析用途要落在「人力资源管理所必需」的范围内。
- 第二十八、二十九条：医疗健康、金融账户等属于敏感个人信息，处理时需取得个人的单独同意。体检记录、银行卡号一般不应进入分析数据集。
- 第二十四条：利用个人信息进行自动化决策，应保证透明度和结果公平、公正；对个人权益有重大影响的决定，个人有权要求说明。
以上为法规条文要点，不构成法律意见，具体做法请与法务确认。
落到工作流里的四个做法
- 最小必要：分析数据集用工号关联，不带姓名、身份证号、手机号等与分析目的无关的字段。
- 先脱敏再流转：需要分享给业务部门的结果只保留部门、职级等聚合维度。
- 控制人数过少的分组：某个分组只有两三个人时不单独展示，避免反推出个人。
- 数据留在内网：支持离线部署，调用本地部署的大模型处理文本时，文本不离开企业网络。
关于流失风险分：模型给出的风险分只能作为提前沟通的线索，调岗、降薪、解除合同等决定不应仅凭模型结果作出，并应保留人工复核记录。
平台能力
支撑这些分析的四项能力
以下能力都是 iModel 当前版本已具备的，更多细节见各能力页。
常见问题
关于人力分析的六个问题
不需要达到「大数据」规模。几百名员工就可以做人员结构、成本与离职率分析；只有流失预测这类模型，才需要积累足够多的历史离职记录，记录太少时结果不稳定，应先做描述性分析。
最快的方式是使用各系统导出的 Excel 或 CSV 文件。需要直连数据库时，可通过数据库连接节点加载厂商 JDBC 驱动接入，具体产品与版本需在评估阶段实测。
不建议。风险分适合用来安排提前沟通和关注，调岗、降薪、解除合同等决定应由人结合具体情况作出。《个人信息保护法》第二十四条也要求自动化决策保证透明度和结果公平、公正。
可以不传。iModel 支持离线部署，数据留在企业内网处理；用本地部署的大模型分析面谈、调研等文本时，文本同样不离开企业网络。
能用。分组汇总、表格关联、离职率计算等常见操作都通过拖拽节点完成，不需要写代码。建议从入门教程第一讲开始，一般先做月度报表，再逐步尝试建模。
一次性的临时查询用 Excel 更快。每月口径固定的报表、需要关联多张表，或者结论要交给他人复核时，工作流更合适：替换数据后可以整条重跑，每一步结果都能查看。
从一份月度人力报表开始
先把花名册、考勤与离职记录按统一口径做成一条可重跑的工作流，口径稳定后，再决定是否延伸到流失预测。
不方便留资？可以先在 KNIME 中文知识库 查节点用法，或拨打 400-8568-196 咨询。
