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：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。

文章投诉热线:156 0057 2229  投诉邮箱:29132 36@qq.com