数字化时代的加速到来，对行政来说，数据分析这门技能也越来越重要。
但提起数据分析，很多行政小白就会有很多困惑了：
行政真的需要做数据分析？
这么多数据，每一个数据都有效么？真正需要采集哪些数据？
手上大部分的数据采集是否流于记录与汇总这表面形式了？
怎么分析和使用这些数据？
不同行业、不同企业在实际分析中各有偏好，今天我们就讨论其中一种思路供小伙伴们参考。
一、为什么要做数据？ DATA MANAGEMANT
各个公司做数据分析的目的可能各有不同，但在小知看来，行政做数据分析最重要的两个目的是：
输出行政人在执行层面的量化结果，用数据来展现行政的工作价值；
时代变了，我们很难再用直觉和感觉来说服管理者和服务于内，而数据，是提升服务质量、降本增效的关键依据。
譬如统计季度电费，发现连数月有一片办公区域用电量特别高，追踪发现是员工加班和频繁在使用大功率电器后，通过督促员工在工作时间内高效完成工作和对大功率电器使用设定一定的约束后，帮助我们达成了降本的目的。
当然，对于初创型小微企业来说，可能只需要统计费用数据；但对于更多企业来说，管理普遍线上化后，大都累积了很多数据，可以用来提炼分析，帮助管理进行调整和改善，数据分析就更有必要了。
行政面对的数据非常之多，盲目的进行数据采集，只会让数据采集流于记录和汇总这样的表面形式，找不到真正的「有效数据」。
真正有效的数据是：有利于体现工作现状的数据，展现重要工作节点的数据，有利于展开工作的数据。
那么，问题来了，你要如何采集到“有效数据”？
根据设定的目标和期望达到的量化结果反推各环节数据源：在采集之前，先根据你司自身业务的情况，明确你想要达到的管理目标，是提高企业人效还是进行降本管理、提高员工体验感，亦或是针对某项工作进行单独的管理譬如差旅成本管控。
然后根据管理目标来进行拆解，找到需要统计数据的行政工作模块。
也就是不同的业务、不同的目标，决定了我们要选取什么数据指标来采集和管理。
以提高企业人效为例，需要找出可能影响员工效率的环节，譬如会议室使用、食堂出餐速度、卫生间等位等等。
针对这些环节，进一步拆解数据采集维度，譬如会议室的数据采集维度：大小会议室使用频率、使用时长、饱和程度、预订与释放频次等；
餐饮的数据采集维度：刷卡量、出餐时间、就餐时段、人数环比、等待时间等；
总结来说，数据采集三步走：
1、明确要统计分析的目标/业务/服务/项目/环节
2、拆分影响员工体验满意度或降本增效的关键指标
3、设定采集维度-收集数据-数据处理（提取、清洗、转化）
通常来说，行政需要重点关注的指标体系有：
1、行政成本投入产出比指标：反映企业在行政成本上的投入与产出效率，比如大型企业工程项目投建、内部OA平台开发等等行政类项目在投入产出价值上的评估。
2、空间利用率：关注办公室的空间利用率，可以合理的运营办公室空闲面积，使闲置空间能够容纳更多的员工或得到其他方式的有效利用。
3、工位空置率：根据HeadCount设置工位空置率预警值，从容解决员工激增骤减的问题。
4、固定资产折旧率：折旧作为企业的一项经营费用或管理费用，其大小直接影响到企业的当期损益，进而影响到企业的当期应纳税所得额，与企业财务税收筹划息息相关，所以行政伙伴需要额外留心。
5、能源数据异常：比如水费的异常峰值，一般会有对应的设施设备故障，比如水管爆裂、卫生间漏水等等突发事件。
6、员工投诉量：反应行政软性服务，从投诉类别、投诉量的数据挖掘和归因，来提升员工体验；
但除此之外，各家企业的关注点也都会根据业务需求而不同，比如传统工业，行政会将重点放在工厂园区和大量的固资管理上，创业公司可能会将重点放在办公室基础数据和团建建设指标上。
识别有效数据，根据企业现状、行政关注重点、员工行为建立洞察维度，才能最终得出对企业有效的数据分析架构。
譬如软通动力，他们是将资产管理、场地管理、工位管理三大系统中所累积的数据全部转化为“一个工位”的数据信息，以其为指标体系。
以餐饮管理为例，针对用餐拥挤的痛点，收集食堂中午时段用餐人数数据。
1、标注异常
统计各时段滞留人数，发现相比于18年来说，19年在12:45后滞留人数再次达到一个小高峰。
2、统计分析
这一异常是如何发生的？为什么大家明知拥挤仍然都要赶在高峰时段来吃？通过环比同比，呈现数据变化，得出结论。
3、获得结论
统计发现，滞留情况无法缓解的主要原因是总部人数增加，增加了食堂的承载能力。而高峰时段提供的菜品种类远超低峰时段，员工仍然愿意赶高峰时段；
4、生成策略
◎高峰期关闭食堂电视，播放较为快速的音乐增加用餐速度；
◎在食堂低峰时少炒、勤炒增加菜品口味及种类。
◎13:00之后每天30%菜品打折，折扣力度为8折。
以访客管理为例，设定统计维度分别是每月、每天、各个时段的访客量、接待部门、目的等，统计分析方式如下：
1、标注异常
统计访客量时，发现某个时间段的访客量激增，将这一情况标注出来，就是发现异常。
2、统计分析
这一异常是如何发生的？是因为业务部门同事约见客户较多？还是招聘需求最近比较多？还是因为两者皆有？通过环比同比，呈现数据变化，得出结论。
△仅示意
3、获得结论
结论显示，访客量激增是因为最近一个月招聘需求大量增加。
4、生成策略
恰好，HR告知面试间不够，需要征用办公室，你通过数据展示，表明并非面试间不够用，而是他们约见的时间太过集中，建议他们分散约见应聘人员，驳回了不合理请求。
从办公空间各维度提升员工体验，到利用行政专业能力支持业务部门，各家行政战略和转型的核心都离不开数据驱动决策。
以大量的员工数据决策能力为基础，将行政杂而多的事务性工作转变成有效工作价值。通过数据分析增加企业内部运营效率，是未来行政的重要竞争力。
未来只有一种企业，就是数字企业。
面对这样的趋势，用数据说话，做专业的行政，恰是未来。
-END-
