企业官网建设流程全解析

经营复盘会上，HR 最常被一句话将住：“人均营收降了，人效退步了，人是不是多了？”

那句话背后压着三个等号：人均营收等于人效，人效等于效率。把这三件事划等号，是绝大多数人效分析从头错到尾的地方。人均营收下降，可能只是低人效的新业务招了更多人，稀释了平均数；几条老业务线的人效其实都在涨。报表没撒谎，是你的归因方式在替它撒谎。

人效分析的关键，在于把公司人效变化精确拆成“效率效应”和“结构效应”两笔账，而非只报一个“人均营收是多少”的总数。WorkBuddy 的价值是把这套原本靠 BI 顾问搭的逻辑，变成你抄得走、每次都能重跑的代码。下面用 WorkBuddy 把一次人效分析从头跑通，分五步：锁口径、收数据、跑归因、出决策、下钻因果。每一步都给可直接抄的指令与能复现的脚本。

一、锁口径：人效对比失真，九成坏在口径漂移

人效的本质是投入产出比，但落到报表要先过三道口径关。三道口径关没有标准答案，但必须锁死，否则同一个人效数字三个人算出三种结果，对比毫无意义。

人数口径。用期末人数会高估扩张期的真实投入，年初 800 人、年末 1200 人，用年末数算全年人效会明显虚低。应取月均在职人数，兼职与外包按工时折算为 FTE。人效里的“人数”代表统计期内真实投入的人力，而非某一天的静态快照。

产出口径。收入按签约、开票还是确认收入统计，跨部门项目如何分摊，后台部门如何衡量，一次性大单是否剔除。产出归属必须与责任边界对应，一笔由销售、研发、交付共同完成的项目收入若全记给销售，销售人效被高估，交付团队的价值不可见。

周期口径。本期支付的奖金可能对应上期业绩，新员工通常需要三到六个月形成稳定产出。成本与产出的统计周期错位，新人的月度人效必然失真，要区分新人、成长期与成熟员工分别观察。

常见失败不是算错，是每次复盘悄悄换了口径。把口径写成模板存进 WorkBuddy 资料库，每月的口径争议就从重新协商变成按模板执行，这是后续所有分析可复现的前提。

二、收数据：用 WorkBuddy 把三张散表并成一个真相源

人效源数据通常散在三个地方：HRIS 的人数与编制、财务的营收毛利、BI 的业务线拆分。它们字段名不同、粒度不同、更新节奏不同，手工拼一次就乱一次。

做法：把三张源表（人员表、财务表、业务线映射表）和一张口径模板一起丢进 WorkBuddy 资料库，让 Agent 按口径模板做字段对齐与 FTE 折算，再交给代码跑归因。关键点不在“用工具”，在于把口径写死成模板，换数据源也不漂移。

给 WorkBuddy 的指令可以直接抄：

我上传了三张表：hr_headcount（人员与编制）、fin_perf（营收毛利）、biz_map（员工到业务线的映射）。请按以下口径对齐并生成宽表：
① 口径对齐：人数用月均在职人数；兼岗按 0.5 FTE 折算，外包不计入；产出用毛利，业务线以 biz_map 为准，未映射的归入“其他”；成本与产出都按月确认，跨月项目按完工比例分摊。
② 零编造原则：缺失值直接标 NaN，禁止均值填充或逻辑猜测，结尾单独列出缺失月份等我确认。
③ 异常值探针：输出宽表前自动跑逻辑检查并在日志中单列，重点抓两类污染：人数大于 0 但毛利连续 3 个月为 0 的业务单元；单月人均毛利环比波动超过 ±100% 的极值点。
④ 对账校验：输出汇总表与源系统的总人数、总毛利对账，差额超过阈值（如 1%）的行单独标注提醒。

第 ② 条是保命线。AI 最擅长把缺失值“合理”地编出来，而人效分析里一个编出来的数会污染整条归因链。比缺失值更隐蔽的是第 ③ 条要抓的隐性逻辑冲突：离职未及时退选会让工时虚增，跨月收入确认延迟会造出离谱的极值点，这两类不靠探针抓不出来，肉眼也难在几万行里发现。验收时让 WorkBuddy 把第 ④ 条对账差额直接列出，对不上的先查源头再跑归因。

三、跑归因：把人效变化拆成效率与结构两笔账

公司整体人效（人均营收或人均毛利）从基期到报告期的变化，可以被严格分解为三项。把公司人均营收写成各业务线的加权和：P 等于各线人数占比 w 乘以该线人均营收 p 之和。变化量精确拆成：

效率效应：每条业务线自身 p 的变化，按基期人数占比加权。它回答“干活的人真的变慢了吗”。

结构效应：人数占比 w 的变化，按基期人均营收 p 加权。它回答“人是不是从高效业务流向了低效业务”。

交互效应：两者的交叉项，通常量级最小。

公式：

下面是一段可运行的 Python，读取统一口径的源表（renxiao_sample.csv），直接算这三项。数据为教学示意，逻辑完全通用：

运行结果：

注意这个数字的反直觉之处。账面人均营收降了 4.8%，但效率效应为正，三条业务线内部没有一条真的变慢，A 成熟线还在改善。把公司均值拉下来的，是结构效应：低人效的 C 新业务人数占比从 13% 升到 28%，公司人均被稀释。换句话说，报表上这个人效下降的主体，是业务结构变化的算术结果，效率层面的答案恰恰相反。

Mix-shift 归因的价值就在这里：它把一个只能用于汇报的数字，还原成两个方向相反的决策输入。如果 HR 照“人均营收下降”去砍人，砍的恰恰是还在改善的老业务线。

拆开之后，结构效应本身还需要战略判定。结构效应为负，可能是合理的战略孵化，也可能是失控的资源错配，两者在报表上长得很像：都是低人效业务人数占比往上走。区别不在数字，在效率效应的走向和时间的边界。

三类情形要分开处理。成熟核心线（如 A）效率效应持续为正、结构占比稳定，它是现金业务，动作是维持或按瓶颈精细化补编，严禁拿它去平摊砍人。战略孵化线（如 C 前期）效率暂时偏低、结构占比快速上升，这是合理孵化，人效还没追上扩张，动作是给 2 至 3 个季度爬坡时间窗、设一条人效达标线、到期复盘。失控错配线（如 C 后期）效率停滞或转负、结构占比居高不下，这是战略试错失控、已变成沉没成本，动作是冻结新增编制、启动缩编或转岗分流、停止组织兜底。

关键在第三类：如果 C 线到了该复盘的节点效率效应仍不回正，就不能再用“还在孵化”为它无休止地辩护。结构效应解释得了过去，解释不了往后。

四、出决策：四张图与拿进编制会的三句话

分析脚本同时输出四张图，也可在 WorkBuddy 里作为数据分析任务直接运行并交付图片产物。它们各管一件事，目的都是把归因结论推到决策动作上。

图 1 趋势图：各业务线人均营收的季度走势与公司整体对照。公司整体一路向下，A 在涨，B 走平略降，C 保持在低位走平。趋势图先暴露“平均数的谎言”，让人一眼看出整体下跌和各线改善并存。

各业务线人均营收季度趋势与公司整体对照

图 2 归因瀑布图：从 32.2 起步，效率效应加 0.78，结构效应减 2.14，交互效应减 0.20，落到 30.6。归因瀑布图是整份分析里最关键的一张，它一眼回答了老板那个问题：人效降是结构稀释，效率没有坏。

公司人均营收变化的Mix-shift归因瀑布图

图 3 对标图：各线人均毛利与公司均值对照，A 高于均值，C 远低于均值。对标图给出相对位置，但它本身不回答 C 该不该砍，那是结构问题而非效率问题。

各业务线人均毛利与公司均值对标

图 4 编制决策矩阵：横轴人均毛利，纵轴人均营收增长率，气泡大小为人数。A 落在高水平和正增长象限，B 水平尚可但趋势走平，C 水平低且增长停滞。

编制决策矩阵：人效水平与人效趋势，气泡大小为人数

拿进编制会的不是四张图，是三句话：

第一句：公司人效下降是结构稀释，不是效率退化，先别动编制。
第二句：C 线人数占比半年翻倍，要么证明它的产出曲线会跟上，要么重新评估它的编制上限。
第三句：A、B 线人效在涨，如果要加编，加在它们的瓶颈环节，不是平均撒。

在全公司层面统一压缩编制的方案，在这份分析面前不成立。

五、下钻因果：从数学拆解到组织诊断

Mix-shift 拆开效率与结构，完成的是结果诊断。复盘会上老板紧接着会问的那句话，才是真正的考验：“A 线效率效应 +0.78，是因为上了 AI 工具，还是因为把支持岗砍了？”

归因之后必须做因果下钻，否则报表仍是一份责任推诿的账单。两个方向要分别下钻。

老业务效率效应为正时，要先查清提升的来源。表面是流程或工具优化带来的真实人效改善，背后也可能只是短期削减支持性 headcount 的压榨式假象。后者会在接下来两个季度以离职率飙升和服务质量滑坡还账，报表上好看，组织上在失血。

新业务结构效应为负时，要确认是业务模型本身没跑通，还是人才画像匹配差、新员工 ramp-up 周期过长。前者是战略问题，后者是招聘与培训问题，解法完全不同，混为一谈只会既砍错人又救不活业务。

把数学拆解结果绑回具体的 HR 动作（招聘画像、培训爬坡、AI 工具渗透率），人效报表才从一张推诿账单变成一张组织诊断的导航图。

结语

人效分析的价值，从来不在算出“人均营收是多少”，而在暴露“你以为的效率”和“实际的结构”之间的那道缝隙。大多数企业的人效会，开成一团和气或一场扯皮，因为没人把归因跑通。

WorkBuddy 在这里做的事很朴素：它把三张散表按死口径收成一个真相源，再把 Mix-shift 归因变成一段你抄得走、每次都能重跑的代码。工具不替你做判断，但它让“凭感觉砍人”失去借口。

关联阅读：

如何用WorkBuddy搭AI工作台，把HRBP工作做成资产

HR 如何借助WorkBuddy资料库沉淀项目资产？

建议收藏｜HR × WorkBuddy 提示词实战手册：72 场景全景版

从入门到精通：HRBP的Workbuddy实践指南

如何用WorkBuddy跑通HR自动化流程？

HR如何用好WorkBuddy？