用AI做HR数据分析，前提是你得先懂这套底层逻辑
上周，我在杭州线下举办了一场HR沙龙，来参加沙龙的有上市公司的人力总监，有创业公司的HRBP，也有刚入行两年的专员。
当时我选定的沙龙主题是“AI在HR数据分析中的应用”。本来准备是用AI工具来解决HR实际工作的应用问题，但其中一个学员提问的小插曲，改变了我整场沙龙的主题方向。而这个改变也更好反映出了当下，在众多AI工具中，如何不让我们HR自己迷失在这场科技中。
开场做自我介绍时，有个小伙伴提出了个来学习的疑问：
“老师，我想问一个特别基础的事。我用AI分析HR数据，分析出来的结果对不对，我自己其实看不出来，我不知道做这个分析为什么要选取这些数据，而我们让AI做分析，又要给到哪些数据？对分析的结果也不知道是不是我想要的结果？我怎么判断AI给我的是不是真靠谱？”
这是一个经过思考后，提出的非常有价值的问题。
我意识到，今天这场沙龙如果只讲“怎么用AI工具”，对像这位小伙伴这样的其实是无效的。他需要的不是工具教程，是一套判断标准：AI没出现之前，HR是怎么手工分析数据的？AI跑完之后，怎么核对结果？这套标准没建立，AI对他就是黑箱，效率再高他也不敢用。
于是我征求了沙龙在场其他小伙伴的意见，居然有2/3的学员认为应该知道数据分析的基础路径，而不是仅会使用AI分析工具。当场我便更改了只用AI工具切入HR工作场景的思路。
一、为什么“懂手工分析”是“用AI分析”的前提
很多HR有一个错觉：AI是黑科技，AI能分析出我自己看不出的东西。这句话对了一半，也错了一半。
对的一半是：AI确实能处理人脑处理不过来的数据量。比如300人的绩效数据，假设你公司设计的维度包含KPI完成率、价值观评分、考勤记录、加班时长、晋升历史、培训学时等，每个维度又有三到五个子项，人工统计至少要花两天。AI几秒钟就能给你跑出一张汇总表。
错的一半是：AI不会替你定义“要分析什么”。
假设：你想让AI分析“全公司绩效完成率的情况”，这个需求听起来很清晰，但“绩效完成率”背后有一连串的问题，AI不会替你问：
-
绩效完成率指的是个人还是部门？是月度、季度还是年度？ -
KPI是怎么打分的？是百分制、五级制、还是强制分布？ -
分子分母怎么算？是已考核人数，还是在岗人数？试用期员工算不算？ -
要不要拆维度？按部门、按职级、按司龄拆，结果会完全不同。
这些问题的答案，AI不知道，必须HR自己给。换句话说，AI是执行者，不是提问者，你问什么，它算什么；你问得模糊，它就给得模糊。
更关键的是，AI算完之后，你需要核对结果。
怎么核对？标准只有一个：你能不能用人工方法把同样的数据算一遍，得到同样的结果。如果你不会人工分析，你就没法判断AI对不对，你看到的只能是一串漂亮的数字加一张漂亮的图表，你不知道这背后逻辑通不通、数据有没有错。
当时有个学员听完我说的这段，她说：“老师，我之前用AI分析过一次员工流失率，AI给我算出来是18%，后来我用Excel重新算了一遍，是12%，相差了6个点。后来排查发现，AI把试用期离职的人都算进去了，我没让它算那部分。”
这个案例就是典型的“AI跑完了，HR不会核对”导致的结果。AI没有错，错的是HR没定义清楚“流失率”的口径。
所以，用AI做HR数据分析的第一性原理，是先想清楚：如果不用AI，我自己会怎么分析？我会取哪些数据？怎么算？拆哪些维度？这套手工分析的流程跑通了，AI才有用武之地。
二、300人绩效完成率分析，手工怎么做
当时我为了给在场HR一个具体参照，我把这套手工分析的全流程，在沙龙上完整演示了一遍。我用的场景，正好是提问小伙伴公司最头疼的那件事：全公司300人的绩效完成率分析。
手工分析分三步走：
第一步：明确分析目标
绩效完成率分析要回答的不是“平均分是多少”，而是三个具体问题：
- 整体完成情况
公司300人本季度的KPI平均完成率是多少？达标率（完成率≥100%）的比例是多少？未达标率（完成率＜80%）的比例是多少？（达标率、未达标率的设置具体根据自己公司情况） - 部门差异
哪些部门完成率明显高于均值？哪些部门明显低于均值？差距有多大？ - 人群差异
不同职级（基层、中层、高层）、不同司龄（1年内、1-3年、3年以上）的完成率分布有什么不同？
这三点问题，AI不会替你问，但你可以替AI问，把你问的问题原封不动告诉AI，它才知道算什么。
第二步：抓取数据。
分析目标定好之后，要从HR系统里抓哪些数据呢？这是我根据提问小伙伴公司的情况，列的一张清单：
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
当时有另外的一位小伙伴就问了：“老师，我们公司没有单独的绩效系统，KPI数据在Excel里。”我说没关系，数据在哪不重要，重要的是这些项的数据你能不能凑齐，凑不齐的话，分析结果就会有偏差。
我特别提醒了三点：
第一，试用期员工要不要纳入分析？这是一个口径选择。如果纳入了，整体完成率会被拉低（新人KPI一般不会定太高，但完成度容易出现极端值）。建议在分析时单独标注“剔除试用期”和“包含试用期”两个版本，方便对比；
第二，离职员工怎么处理？已经离职的员工如果在统计周期内有绩效记录，要明确是算在“在职时段的绩效”还是“剔除”。建议是剔除，避免分母失真；
第三，KPI为0的记录要单独看。如果某员工KPI完成度是0，可能是真的没完成，也可能是数据漏填。这两种情况性质不同，要分别处理。
第三步：执行计算。
计算公式不复杂，但每一步都要想清楚：
-
个人完成率 = KPI实际得分 / KPI目标值 × 100% -
部门平均完成率 = 该部门所有员工完成率的算术平均 -
达标率 = 完成率≥100%的人数 / 总人数 -
未达标率 = 完成率＜80%的人数 / 总人数
手工算300人，至少要花半天，如果再拆部门、拆职级、拆司龄，三个维度交叉分析，两天能跑完就算快的。
这就是AI的价值点：把两天压缩到几秒。
三、用飞书多维表格跑这套分析的具体步骤
工具选型我考虑过两个：飞书多维表格和WorkBuddy。两个都能做数据分析，但飞书多维表格在HR场景里有三个优势：
第一，多维表格天然适合做交叉分析，拖拽字段就能切维度，比写公式直观；
第二，支持AI字段，可以直接用自然语言生成计算逻辑，不用学函数；
第三，数据看板可以直接生成图表，做完分析顺手就能做汇报材料。
WorkBuddy的优势在于多源数据整合和跨工具调用，但对如果“公司就一个Excel”的场景，飞书多维表格更轻量，我现场就用飞书多维表格做了演示。
具体操作步骤：
第一步：建表，导入数据
打开飞书多维表格，新建一个表格，命名“2026 Q2绩效分析”。在第一行建立字段：员工编号、姓名、部门、职级、入职日期、是否在职、是否试用期、KPI目标值、KPI实际得分、完成率。
把小伙伴公司的300人数据从Excel复制粘贴进去。这一步大概5分钟。操作路径：飞书多维表格首页点“+”号创建新表格，输入表格名称“2026 Q2绩效分析”，在第一行逐列填好字段名，然后从Excel选中300行数据，复制粘贴到表格里，粘贴时表格会自动扩展行数，不用手动一行行加（这一步操作如果Excel和做的多维表格一致，也可选择直接导入）。
第二步：用AI字段捷径算完成率
把光标放在表格最后一列的右侧，点击“+”号添加一个新字段，字段类型选“AI字段捷径”。在弹出的配置框里输入自然语言：
“用KPI实际得分除以KPI目标值，再乘以100，结果保留两位小数。”
点确定，AI自动给300行都填上完成率。这一步不到10秒。操作路径是：点击列标最右侧的“+”号 → 弹出字段类型选择列表 → 找到“AI字段捷径”→ 点击进入配置 → 在输入框写“用KPI实际得分除以KPI目标值，再乘以100，结果保留两位小数”→ 点“确定”，全列瞬间填满。
第三步：仪表盘里加透视表，看部门差异
飞书多维表格主表本身没有“数据透视”视图，但仪表盘里有“透视表”组件。操作路径是：点工具栏“仪表盘”→“新建仪表盘”→ 左侧组件库区找到“透视表”→ 拖入画布 → 在透视表配置面板里，把“部门”拖进“行字段”，把“完成率”拖进“值字段”→ 把“完成率”的汇总方式从“求和”改成“平均值”→ 透视表自动生成12个部门的平均完成率，并可按从高到低排序。
看到销售部平均完成率95%、物流部68%的时候，提问小伙伴又提出了疑问：“销售部一直是我们公司的明星部门，但物流部这个数据，是不是KPI定得太严了？”
这就是AI分析最有意思的地方：它不会替你解释原因，但它能帮你把“异常”快速挑出来。物流部68%这种数字，放在300行Excel里没人注意，放在透视表里一眼就能看见。接下来要不要再拆一层职级、司龄，看是整体问题还是局部问题，这就不是AI能定的了，得HR自己判断。
第四步：用AI字段捷径判断达标，用单选标签区分颜色。
回到主表，点击列标最右侧的“+”号添加一个新字段，字段类型先选“单选”，命名为"是否达标"。然后，再用AI字段捷径，输入：
"完成率大于等于100%填'达标'，小于100%填'未达标'。"
AI会自动给每行填上“达标"或"未达标”。然后，在“是否达标”这个单选字段的选项设置里，给“达标”配一个绿色标签，给“未达标”配一个红色标签。操作路径是：点击“是否达标”列的列标 → 选“字段配置”→ 进入选项管理 → 给“达标”选项选绿色底色 → 给“未达标”选项选红色底色 → 保存。整张表里“未达标”的行立刻标红、“达标”的行标绿，一眼看出哪些人需要关注。
飞书多维表格没有传统Excel那种“条件格式”功能，但“单选字段+颜色标签”的效果完全一样，而且更直观，因为标签颜色是跟着选项走的，不会因为数值变化而丢失颜色。
第五步：做看板，给老板汇报
点击多维表格左侧导航栏的“仪表盘”图标，新建一个看板。点上方“+添加组件”，依次添加：部门平均完成率柱状图、达标率饼图、职级分布堆叠图、未达标人数TOP5表格，每个组件配置时选择对应数据源，鼠标拖动各组件调整位置和大小，5分钟拼出一张汇报看板。操作路径是：左侧导航栏点“仪表盘”→ 点“新建仪表盘”→ 点上方“+添加组件”→ 选“柱状图”→ 在柱状图配置里把数据源选为“绩效数据表”，行字段选“部门”，值字段选“完成率平均值”→ 重复步骤添加饼图（值字段选“是否达标”计数）、堆叠图、透视表 → 鼠标拖动各组件调整位置和大小 → 看板顶部填标题“2026 Q2绩效分析看板”。
从导入数据到看板出图，全程不到40分钟。提问小伙伴当场算了一下：他之前用Excel做这个分析，前前后后要花3天。现在40分钟。
看到这里，你可以做一个动作：打开自己电脑上的Excel，按上面的7项数据清单找一遍。能凑齐5项以上，打1；凑不齐，打0。看看你的公司目前能不能直接跑这套分析。
四、AI跑完之后，怎么核对结果
我在讲到这一段，全场学员都听得非常认真，因为这一步才是AI分析的真正难点。
我讲了一个三步核对法：
第一步：抽样核对
从300人里随机抽20人，用Excel人工算这20人的完成率和达标情况，跟AI算出来的对比。如果20人里错2个以上，说明AI的口径理解有问题，要回去检查指令；如果20人都对，可以进入下一步。
这一步大概花20分钟，但是必做。现场学员的演练结果是：20人里AI只错了1个，错的原因是在给到的Excel里有一行数据是占位符“暂无”，AI把它算成了0。
第二步：逻辑核对
AI给出的汇总数字，从业务逻辑上判断合不合理。比如AI说销售部平均完成率145%，这可能吗？销售部一般KPI定得高，145%是异常值，要回去看是数据错了还是确实有爆单。如果AI说行政部平均完成率只有62%，是不是行政部KPI设置不合理？还是要剔除新人样本？
这一步不需要算，只需要用业务常识判断，HR只要是在公司做了几年的，对各部门情况心里都有数。
第三步：交叉核对
用不同的维度组合核对，比如按部门看完成率，再按职级看完成率。如果销售部整体完成率145%，但销售部基层员工完成率只有80%，这个差异是合理的（销售部高层KPI权重低、容易达标）；但如果反过来，销售部基层145%、高层80%，那就一定要回去查数据。
三步核对做完，整个分析才算完成。AI不是一次性消费品，AI的输出必须经过HR的判断才能用于决策。
五、沙龙复盘：AI对HR的真正价值在哪
沙龙最后半小时，我让每个HR用一句话总结“AI对你最大的价值”。有个学员的回答我印象最深：
“AI不是替我分析，是替我算数。我以前要花两天算数，没时间想分析。现在我花40分钟算数，剩下的时间都用来想'为什么是这样''该怎么办'。”
这句话点出了AI对HR真正的价值。AI没有创造新的分析方法，AI只是把执行环节自动化了，分析方法还是HR的，逻辑还是HR的，决策还是HR的。
这也意味着，AI对HR的要求其实是提高了，不是降低了。我身边一位做了十几年的HR跟我说过：“以前我可以花两天把表算出来，老板觉得我勤快；现在AI 40分钟算完，老板会问，剩下那两天你干嘛去了？”
答案只能是：剩下那两天，HR要用来想为什么、怎么办。不会手工分析的HR，AI用得再熟，也只是“更快的错误”；会手工分析的HR，AI只是把他的能力放大。
沙龙结束时，现场的HR都领了任务：回去挑一个自己之前做过的分析，用手工流程重新跑一遍，写出三张清单，包括要分析什么问题、要抓哪些数据、怎么算。清单写完，再用AI工具试一次，对比AI和人工的结果差异。
两周后我会收集大家的清单做一次复盘，看哪些HR真的把AI用起来了，哪些只是装样子。
两周后的复盘结果，我会整理出来。哪些坑是HR用AI最容易踩的，哪些方法是真正能落地的，到时一起发出来。
这不是技术问题，是基本功问题。
合规声明：本文演示场景为沙龙教学案例，文中提及的公司绩效数据均为脱敏虚构，仅用于方法论说明。文中AI工具的操作路径描述为流程示意，具体界面以飞书多维表格最新版本为准。HR在实际工作中使用AI工具分析员工数据时，应严格遵守《个人信息保护法》《劳动合同法》及相关企业内部数据安全规定，确保员工个人信息处理合法合规。本文不构成任何AI工具采购建议或数据处理方案推荐。