劳动力考勤管理数据分析提升生产效率

    劳动力考勤管理数据分析提升生产效率

    提高劳动生产率如今已被很多企业放到全局和战略高度，但实事求是地讲，也有更多的企业无法了解自己客观真实和全面的劳动生产效率，主要还是停留在比较笼统的层面，比如仅通过企业的投入产出比来看效率的好坏，如此，要想提高效率从哪下手呢？

    有不少制造企业采用OEE（全局设备效率）来管理机器设备，这套指标体系的原理同样适用于劳动力考勤管理管理，OLE（整体劳动效能）因此而来。OLE由三个指标组成，即时间利用率（有效产出时间/总出勤时间）、工时效率（标准工时/实际工时）和良品率（产品合格率），OLE非常客观全面地展示了企业的劳动效率，它是有关劳动力考勤管理的一个很有说服力的“大数据”，下面的例子可以揭示OLE对企业生产运营的影响：

    经过分析，当时间利用率提高2.5%时，所带来的是利润3.1%的增长，这就是OLE的杠杆效应，那么如果每个指标都有一些提升，哪怕一些微小的变化，必然会对企业产生可喜的效益改观。

    要实现这些积极的变化，必须要逐个逐级的去分析OLE后边的数据，找到问题所在，发现能够改进的空间，然后因势利导，有的放矢。而且，OLE是一个从点到面的指标体系，既可以明细到个人、产线、车间等，也能汇总到部门、分厂、区域乃至集团，通过横向纵向的比较分析，树立标杆，发现问题，惩前毖后，必定能逐步提高企业的劳动生产率。

    支持OLE的数据有些来自考勤，有些来自现场的员工活动跟踪，获取这些数据并不困难，有的就是现成的，有的也可以借助一些IT设备比如条码扫描，另外如果能整合其他业务系统比如ERP，MES等的相关数据，那么OLE的大数据分析就更加完整。

    在国内企业的实践中，OLE中的时间利用率更容易获取、计算和分析，同时也能帮助员工和管理者快速改进。下面是一个实际的例子，客户把员工的时间做了明细分类，每一类时间都有标准的条码，当发生时就做对应采集：

    拿到这些明细数据后，就可以分析影响员工时间利用率的主要因素，如果从精益管理的角度来看，其实就是发现劳动力考勤管理浪费的时间，经过分析其产生的原因，个体出现的概率和频率，以及规律等等，减少或者消除这些浪费就成为可能。

    比如，通过一段时间分析，发现等候机器的时间在间接工时中占比较大，而且没有规律，实际情况通常是：当发生设备停工时，工人去找主管，过来后了解情况，然后由主管去协调对应维修人员，来来回回耽误不少时间。基于这些数据分析，后来做了流程改进，他们把设备更常出的状况做了分类，打印成条码贴在机器旁，当发生问题时，员工即刻扫描，系统依据这条信息做出智能判断，并发邮件给主管和相应的维修人员，同时也记录了问题发生的时间，相关人员会在更快的时间内做出响应。

    前后比较，等候机器的时间缩短了2/3以上，仅此项就带来时间利用率两个百分点的提高，可见大数据分析对劳动力考勤管理效率提升的作用！

    大数据下的劳动力考勤管理时代已经来临

    劳动力考勤管理管理因行业、区域、文化、属性等不同而各具特色，伴随其的“大数据”也是形式多种多样，内容丰富多彩，前边讲述的仅是其中有代表性的或者有共性的例子。但无论如何，由于现实的紧迫性，企业越来越需要通过科学合理的劳动力考勤管理管理来控制高涨的人工成本，提升逐渐丧失竞争优势的劳动生产率。

    随着云计算的逐步普及，移动网络运用的深入推广，大数据亦将得到更大更快的发展。同样的，基于这些平台的劳动力考勤管理管理也正在成为趋势，比如企业通过云计算管理更大范围的员工，员工利用手机等移动终端，或者群等社交媒体参与到考勤、排班、绩效等管理活动中来，所有这一切，都为劳动力考勤管理管理的大数据提供更加快捷及时、更加详细具体的信息，也让大数据服务于劳动力考勤管理管理变得简便、容易和可行。