为什么你的培训数据就是一堆“死”数字，而TA却能用出花来

在“数据为王”的时代，如何挖掘与应用数据，助推培训与业务发展？...

文 | 刘建慧某上市公司培训总监

来源 |《培训》杂志11月刊

数据是客观的，能够真实反映事物的变化趋势和现状；

数据是可量化的，数据图表及报表，清晰、一目了然；

数据是明确具体的，透过数据可以更全面准确地看待问题，更容易找到问题的关键和本源。

在我们的工作中，不管是项目设计、能力测评，还是效果评估，无一例外都需要对相关数据进行提取、统计及分析，并运用到业务发展或培训管理工作中。

将数据化繁为简，进行有效处理，找到事物的本源和发展规律，做好培训工作方有据可依。

想要get数据分析的小窍门，动动手指往下滑吧~

哪些数据是要分析的？

通常情况下，培训数据包括学员数据、学习数据及运营数据几大方面。

当然，其统计的颗粒度和精细度主要取决于企业需求，以及学习平台建设开发时报表字段的设计及数据埋点情况。

常用的培训数据分析维度很多：

如通过分析学员数据，了解全公司整体学员现状，掌握对培训影响最大的用户群体及他们的学习情况；

通过对各地区、各核心岗位学习数据分析，了解他们在组织培训方面的效果；

通过对新增课程及更新情况分析，掌握不同地区、不同职能间培训开展的进度，便于平衡资源。

培训学习数据分析维度

另外，学习数据应用于培训管理工作，对后续培训计划的制定、项目的设计以及学习效果的评估都有重要的参考价值；

其次，也可以应用于转正及晋升等人才发展环节，尤其是新员工、转岗及晋升员工的学习数据，以及岗位任职资格的认证数据，作为其能否胜任的重要依据；

再次，在某些企业中，员工学习完成数据也是绩效考核的重要指标。

五大步骤，做好数据处理

在企业中，学习数据的沉淀会越来越多，如何抽丝剥茧、化繁为简，对这些数据与报表进行分析、应用呢？

我建议采取以下五个步骤。

数据处理五步骤

明确目标

在数据应用之前，要清楚分析需求和目的，明确数据分析的意义和作用，以及分析出来的数据结果和图表可以用来支撑哪些内容。只有目标明确，才能更精准地提供数据支持。

确定维度

基于目标，结合可获取到的数据报表，确定数据分析的维度。

例如，要分析某个部门/岗位在某段时间内的学习效果，那么学习时长、学习积分以及课程完成数量等，哪个数据更有代表性？

是否需要进行不同部门/岗位之间的横向对比？

是否需要与历史同期进行同比和环比？

是否需要进行交叉分析？

这些都需要提前确定，只有以终为始地建立数据之间的联系和逻辑关系，才能充分利用数据。

结构化呈现

对数据进行图形化呈现时，需要考虑该数据图表的使用范围、场合及企业的行文风格等，同时应注意企业对字体、字号要求，图表常用颜色、习惯用语、展示顺序等方面的要求，考虑数据表达出来的思考逻辑、层次递进关系等。

比如，使用符合金字塔原理的结构化呈现，更加符合阅读者的思维习惯，使图形报表更具有可读性。

总结分析

根据图表找到其规律、得出结论，并根据数据的变化趋势找到背后的深层原因；或者基于数据表象，对分析结果进行提炼和总结。

只有透过现象看本质，探究存在的可能性因素，才能深入挖掘数据的价值。

提出建议对策

不管是前期需求分析，还是过程跟踪、结果反馈，最终都需要根据数据分析的结论，提出有效的建议及改进对策，为培训管理的决策提供支持。

结合到具体的应用实践，例如：

疫情期间，在线学习出现爆发式的增长，恰巧赶上企业面临内部学习平台切换，要对原学习平台的内容及员工现有的学习习惯做迁移。

为此，公司在平台切换过程中，组织了相应的学习活动，希望通过活动引导学员顺利过渡到新平台，快速掌握新平台的操作习惯。

明确目标

通过对平台切换期间学习活动的总结，对活动期间数据进行分析，确定学员是否顺利切换并平稳过渡。

确定维度

1.活动期间对各地区、各职能岗位的学习情况进行总结，对优秀个人及组织的学习数据进行晾晒，鼓励先进。

同时，活动期间，为了解闯关视频课程的学习及评估情况，通过查看课程质量、获奖人数分布、学习时长、学习人数、完成课程数量等数据，进行对比分析。

2.由于平台底层架构和设计逻辑的不同，很多数据（如学习积分、学分）的统计口径不一致；

因此，需要确定哪些数据是相对客观，可以进行横向对比的，比如，可以通过确定学习人数、学习时长、学习课程数量等数据分析维度，以及2020年每月学习人数及学习时长的对比分析，查看平台切换期间是否出现数据大幅下降的情况。

结构化呈现

主要通过活动内容来呈现，按照活动策划、宣传推广、活动总结三个步骤开展分析。

学员线上平台学习活动

在活动总结时，根据不同奖项设置逻辑，对获奖情况统计发布，并对每个奖项的数据做进一步分析。

如进入“极速先锋榜”的学员，进一步对其效果进行评估；进入“逆袭后浪榜”的学员，对各地区及各职能组织学习数据情况晾晒。

最后，对每月的学习数据与历史数据的对比分析，查看是否出现数据大量回落情况。在汇报PPT中，每页都有总结性关键内容呈现。

总结分析

通过上述数据分析，基本确定了本次学习活动的效果，达成了活动目标，实现了学员无感迁移顺畅学习。另外，由于该报告为活动总结，无建议对策。

数据总结分析

在进行数据分析时，还有四大注意事项值得关注。

第一，确保数据的质量，保证学习数据有效、有用，对数据及时进行维护和清理。比如，学习项目创建时，确保相关字段的完整性及准确性；对测试数据或垃圾数据等定期清理，发现数据异常时及时维护和解决。

第二，数据报表不是多多益善，也不是越酷炫越好。尤其在纷繁复杂的大环境下，应更关注数据的使用目标，分析角度和应用价值。

第三，宏观和战略的视角看待数据，注意数据的动态变化。不能唯数据论，最终的决策也需要定性分析。从“道、法、术、器”角度来看，数据分析仅仅是“术”和“器”的层面，通过数据分析，找到事物的本源和发展规律，才能上升到“道”或“法”的层面。

第四，结构化的逻辑思维对数据敏感度至关重要。

写在最后

或许会有人抱怨：培训工作本来就很繁重，哪有那么多时间高频地做数据分析。

但事实上，最需要投入精力的只是前期逻辑搭建、建模过程以及根据图表得出结论的部分，数据提取和结构化呈现的环节则相对比较简单。

尤其是已经固定模型的数据分析，我一般先用excel做好模板、确定好数据格式与图表内容，每次只需要按照固定频次提取相应数据放在excel模板里，即可自动更新图表；

同时在PPT里做好超链接，更新后的图表会自动在PPT模板里同步更新。得出分析结论后，直接另存为最新文档，这样就无需每次在生成图表及制作过程耗费过多精力。

当然，现在很多人已经掌握了python技术，或直接用系统平台生成，这样更大大降低了数据呈现的操作门槛。