HR Analytics Dashboard in Power BI: Workforce Insights

پاور BI میں # HR Analytics ڈیش بورڈ: افرادی قوت کی بصیرتیں۔

لوگوں کے تجزیات انٹرپرائز میں کاروباری ذہانت کا سب سے تیزی سے بڑھتا ہوا اطلاق ہے — اور اچھی وجہ سے۔ بالغ HR تجزیاتی پروگراموں والی تنظیموں کا تین سالہ اوسط منافع کم سے کم لوگوں کے ڈیٹا کی صلاحیتوں والی کمپنیوں کے مقابلے میں 82% زیادہ ہے (Deloitte Human Capital Trends)۔ اس کے باوجود زیادہ تر HR ٹیمیں اب بھی ایکسل اسپریڈ شیٹس میں ہیڈ کاؤنٹ کو ٹریک کرتی ہیں اور گوگل شیٹس میں دستی طور پر ٹرن اوور کا حساب لگاتی ہیں۔

پاور BI HR لیڈروں کو وہی تجزیاتی گہرائی فراہم کرتا ہے جو فنانس اور سیلز ٹیموں کے پاس برسوں سے رہا ہے — ریئل ٹائم ہیڈ کاؤنٹ ویزیبلٹی، ٹرن اوور کے خودکار حسابات، تنوع کے تجزیات، اور ملازمین کی زندگی کے سفر سے باخبر رہنے سے لے کر آف بورڈنگ تک ملازمین کے مکمل سفر میں۔

یہ گائیڈ پاور BI میں ایک مکمل HR تجزیاتی پلیٹ فارم تیار کرتا ہے، جس میں ڈیٹا ماڈل، ہر اہم HR KPI کو اس کے DAX فارمولے کے ساتھ، اور ڈیش بورڈ کے صفحات جو حقیقی افرادی قوت کے فیصلوں کو آگے بڑھاتے ہیں۔

اہم ٹیک ویز

• HR تجزیات کو تاریخی ہیڈ کاؤنٹ کے لیے آہستہ آہستہ بدلتے ہوئے طول و عرض (SCD) اپروچ کی ضرورت ہوتی ہے
• ٹرن اوور کی شرح کے حساب کتاب میں رضاکارانہ بمقابلہ غیر رضاکارانہ علیحدگیوں میں فرق ہونا چاہیے
• ڈائیورسٹی ڈیش بورڈز کو محتاط رازداری کے ڈیزائن کی ضرورت ہوتی ہے — مجموعی، کبھی بھی انفرادی سطح پر جہاں نامناسب ہو
• ملازمین کے لائف سائیکل کا تجزیہ وقت سے کرایہ، وقت سے پیداواری صلاحیت، اور برقرار رکھنے کے منحنی خطوط کو ٹریک کرتا ہے۔
• غیر موجودگی کے تجزیات (بریڈفورڈ فیکٹر، غیر موجودگی کی تعدد) پے رول ڈیٹا کے ساتھ مربوط
• ہیڈ کاؤنٹ کے لیے DAX اقدامات پوائنٹ ان ٹائم ہوتے ہیں (خلاصہ نہیں کیا جاتا) — حساب کے خصوصی نمونوں کی ضرورت ہوتی ہے
• HRIS سسٹمز (ورک ڈے، SAP SuccessFactors، BambooHR) سبھی میں پاور BI کنیکٹر ہوتے ہیں
• قطار کی سطح کی سیکیورٹی کو HR ڈیٹا کو مجاز HR کاروباری شراکت داروں اور مینیجرز تک محدود کرنا چاہیے۔

---

HR تجزیات کے لیے ڈیٹا ماڈل

بنیادی HR میزیں۔

Employee_Snapshot (آہستہ آہستہ تبدیل ہو رہا ہے، ایک قطار فی ملازم ہر ماہ):

ہائرنگ_ایونٹس (ایک قطار فی کرایہ):

• HireID, EmployeeID, ApplicationDate, OfferDate, AcceptDate, StartDate, DepartmentID, SourceChannel, HiringManagerID, JobRequisitionID

غیر موجودگی_ریکارڈز (ایک قطار فی غیر موجودگی واقعہ):

• AbsenceID, EmployeeID, StartDate, EndDate, DaysAbsent, AbsenceType, Reason, ApprovalStatus

کارکردگی_جائزے (ایک قطار فی جائزہ):

• ReviewID، EmployeeID، ReviewDate، PerformanceRating، ManagerID

ٹریننگ_کمپلیشنز (ایک قطار فی ٹریننگ):

• TrainingID، EmployeeID، CompletionDate، ProgramName، HoursCompleted

---

ہیڈ کاؤنٹ کے تجزیات

ہیڈ کاؤنٹ پوائنٹ ان ٹائم کیلکولیشن

Headcount ایک سنیپ شاٹ پیمائش ہے (ایک وقت میں کتنے ملازمین موجود ہیں)، رقم نہیں۔ اس کے لیے خصوصی DAX ہینڈلنگ کی ضرورت ہے:

// Headcount at any selected date
Headcount =
CALCULATE(
    COUNTROWS(Employee_Snapshot),
    Employee_Snapshot[Status] = "Active",
    // Use the latest available snapshot for the selected period
    Employee_Snapshot[SnapshotDate] = MAX(Employee_Snapshot[SnapshotDate])
)

// FTE-adjusted Headcount
FTE Headcount =
CALCULATE(
    SUMX(
        FILTER(Employee_Snapshot, Employee_Snapshot[Status] = "Active"),
        Employee_Snapshot[FullTimeEquivalent]
    ),
    Employee_Snapshot[SnapshotDate] = MAX(Employee_Snapshot[SnapshotDate])
)

// Headcount by Department (for matrix/bar chart)
Dept Headcount =
CALCULATE(
    [Headcount],
    ALLEXCEPT(Employee_Snapshot, Employee_Snapshot[DepartmentID])
)

// Headcount growth (vs prior month)
Headcount MoM Change =
[Headcount] -
CALCULATE(
    [Headcount],
    DATEADD(Date[Date], -1, MONTH)
)

// Headcount trend (for sparkline or line chart)
Headcount Trend =
CALCULATE(
    [Headcount],
    REMOVEFILTERS(Date[Month])
)

---

ٹرن اوور ریٹ کے تجزیات

ٹرن اوور سب سے زیادہ ٹریک کیا جانے والا HR میٹرک ہے اور سب سے زیادہ غلط حساب لگایا جاتا ہے۔ درست فارمولہ اوسط ہیڈ کاؤنٹ کو بطور ڈینومینیٹر استعمال کرتا ہے (ہیڈ کاؤنٹ شروع یا ختم نہیں ہوتا)۔

ٹرن اوور KPIs

// Total Terminations in Period
Terminations =
CALCULATE(
    COUNTROWS(Employee_Snapshot),
    Employee_Snapshot[Status] = "Terminated",
    Employee_Snapshot[TerminationDate] >= MIN(Date[Date]),
    Employee_Snapshot[TerminationDate] <= MAX(Date[Date])
)

// Voluntary Terminations (resigned)
Voluntary Terminations =
CALCULATE(
    [Terminations],
    Employee_Snapshot[TerminationReason] = "Voluntary"
)

// Involuntary Terminations (laid off, fired)
Involuntary Terminations =
CALCULATE(
    [Terminations],
    Employee_Snapshot[TerminationReason] = "Involuntary"
)

// Average Headcount (for turnover denominator)
Avg Headcount =
AVERAGEX(
    VALUES(Date[Month]),
    [Headcount]
)

// Annualized Turnover Rate
Turnover Rate =
DIVIDE(
    [Terminations],
    [Avg Headcount],
    0
) * 12  -- Annualize if showing monthly data

// Voluntary Turnover Rate
Voluntary Turnover Rate =
DIVIDE([Voluntary Terminations], [Avg Headcount], 0) * 12

// Regrettable Turnover (voluntary + high performers)
Regrettable Turnover =
CALCULATE(
    [Voluntary Terminations],
    RELATED(Performance_Reviews[PerformanceRating]) >= 4  -- High performers
)

// Retention Rate
Retention Rate = 1 - [Turnover Rate]

// New Hire Survival Rate (% of new hires still employed after 90 days)
90 Day Survival Rate =
DIVIDE(
    CALCULATE(
        COUNTROWS(Hiring_Events),
        DATEDIFF(Hiring_Events[StartDate], TODAY(), DAY) >= 90,
        RELATED(Employee_Snapshot[Status]) = "Active"
    ),
    CALCULATE(
        COUNTROWS(Hiring_Events),
        DATEDIFF(Hiring_Events[StartDate], TODAY(), DAY) >= 90
    ),
    0
)

---

تنوع، مساوات، اور شمولیت میٹرکس

رازداری سے آگاہ DEI تجزیات

DEI تجزیات کو رازداری کے محافظوں کے ساتھ لاگو کیا جانا چاہیے — کبھی بھی حساس صفات کے ذریعے انفرادی سطح کے ڈیٹا کو ظاہر نہ کریں، اور کنفیگر کیے جانے والے کم از کم (عام طور پر 5-10 ملازمین) سے چھوٹے گروپوں کے لیے ڈیٹا کو دبا دیں۔

// Gender ratio (with suppression for small groups)
Gender Ratio Female =
VAR FemaleCount = CALCULATE([Headcount], Employee_Snapshot[Gender] = "Female")
VAR TotalCount = [Headcount]
RETURN
IF(TotalCount >= 10, DIVIDE(FemaleCount, TotalCount, 0), BLANK())

// Pay equity ratio (female to male)
Gender Pay Ratio =
VAR FemalePay = CALCULATE(
    AVERAGE(Employee_Snapshot[BaseSalary]),
    Employee_Snapshot[Gender] = "Female"
)
VAR MalePay = CALCULATE(
    AVERAGE(Employee_Snapshot[BaseSalary]),
    Employee_Snapshot[Gender] = "Male"
)
RETURN DIVIDE(FemalePay, MalePay, 0)

// Leadership diversity (% of senior roles filled by underrepresented groups)
Leadership Diversity % =
DIVIDE(
    CALCULATE(
        [Headcount],
        Employee_Snapshot[JobLevel] IN {"L6","L7","L8"},
        Employee_Snapshot[Gender] = "Female"
    ),
    CALCULATE(
        [Headcount],
        Employee_Snapshot[JobLevel] IN {"L6","L7","L8"}
    ),
    0
)

DEI ڈیش بورڈ KPIs

---

ملازم لائف سائیکل تجزیہ

کرایہ پر لینے کا وقت

// Average days from job posting to offer acceptance
Avg Time to Hire =
AVERAGEX(
    Hiring_Events,
    DATEDIFF(
        Hiring_Events[ApplicationDate],
        Hiring_Events[AcceptDate],
        DAY
    )
)

// Offer Acceptance Rate
Offer Acceptance Rate =
DIVIDE(
    CALCULATE(COUNTROWS(Hiring_Events), Hiring_Events[AcceptDate] <> BLANK()),
    CALCULATE(COUNTROWS(Hiring_Events), Hiring_Events[OfferDate] <> BLANK()),
    0
)

// Source Channel Effectiveness (hired employees by source)
Source Hire Rate =
DIVIDE(
    COUNTROWS(Hiring_Events),
    CALCULATE(
        COUNTROWS(Hiring_Events),
        REMOVEFILTERS(Hiring_Events[SourceChannel])
    ),
    0
)

مدت کی تقسیم

// Tenure bucket (for histogram)
Tenure Bucket =
SWITCH(TRUE(),
    Employee_Snapshot[TenureMonths] < 3, "0-3 months",
    Employee_Snapshot[TenureMonths] < 12, "3-12 months",
    Employee_Snapshot[TenureMonths] < 24, "1-2 years",
    Employee_Snapshot[TenureMonths] < 60, "2-5 years",
    Employee_Snapshot[TenureMonths] < 120, "5-10 years",
    "10+ years"
)

// Average Tenure at Separation
Avg Tenure at Separation =
AVERAGEX(
    FILTER(Employee_Snapshot, Employee_Snapshot[Status] = "Terminated"),
    Employee_Snapshot[TenureMonths]
)

---

غیر موجودگی کے تجزیات

غیر موجودگی KPIs

// Absence Rate (% of working days lost)
Absence Rate =
DIVIDE(
    SUM(Absence_Records[DaysAbsent]),
    [Headcount] * NETWORKDAYS(MIN(Date[Date]), MAX(Date[Date])),
    0
)

// Bradford Factor (frequency-weighted absence score)
// B = S² × D (S = absence episodes, D = total days)
Bradford Factor =
VAR Spells = COUNTROWS(Absence_Records)
VAR Days = SUM(Absence_Records[DaysAbsent])
RETURN Spells * Spells * Days

// Average Absence Days per Employee
Avg Absence Days =
DIVIDE(SUM(Absence_Records[DaysAbsent]), [Headcount], 0)

// Absence by Type (breakdown)
Medical Absence Days =
CALCULATE(
    SUM(Absence_Records[DaysAbsent]),
    Absence_Records[AbsenceType] = "Medical"
)

---

5-صفحہ HR ڈیش بورڈ آرکیٹیکچر

صفحہ 1: افرادی قوت کا جائزہ

• ہیڈ کاؤنٹ KPI کارڈ (موجودہ بمقابلہ پچھلے سال)
• FTE ہیڈ کاؤنٹ (اصل بمقابلہ ہدف)
• محکمہ کے لحاظ سے ہیڈ کاؤنٹ (بار چارٹ)
• ہیڈ کاؤنٹ کا رجحان 12 ماہ (لائن چارٹ)
• نئے ہائرز بمقابلہ ٹرمینیشنز (تتلی/موازنہ بار چارٹ)
• جغرافیائی ہیڈ کاؤنٹ کا نقشہ

صفحہ 2: ٹرن اوور تجزیہ

• سالانہ ٹرن اوور کی شرح (گیج بمقابلہ صنعت بینچ مارک)
• رضاکارانہ بمقابلہ غیر رضاکار (ڈونٹ چارٹ)
• محکمہ کے لحاظ سے ٹرن اوور (حل شدہ بار چارٹ، سب سے پہلے)
• ٹرن اوور بذریعہ ٹینور بینڈ (ہسٹوگرام)
• کاروبار کا رجحان 24 ماہ (لائن چارٹ)
• باہر نکلنے کی وجہ خرابی (treemap)

صفحہ 3: ہنر کا حصول

• ٹائم ٹو ہائر کا رجحان (مہینہ کے لحاظ سے لائن چارٹ)
• پیشکش کی قبولیت کی شرح (KPI کارڈ)
• ماخذ چینل کے ذریعہ خدمات حاصل کرنا (بار چارٹ)
• محکمہ کی طرف سے کھلی درخواستیں (ٹیبل)
• کرایہ پر لینا (درخواستوں سے شروع تک)
• محکمہ کے لحاظ سے لاگت فی کرایہ

صفحہ 4: تنوع اور شمولیت

• سطح کے لحاظ سے صنفی توازن (اسٹیکڈ بار چارٹ)
• محکمہ کے لحاظ سے صنفی تنخواہ میں فرق (بار چارٹ)
• تنوع کرایہ کی شرح کا رجحان (لائن چارٹ)
• جنس کے لحاظ سے فروغ کی شرح (گروپ شدہ بار)
• مینیجر کے ذریعہ ٹیم تنوع کا اشاریہ

صفحہ 5: غیر موجودگی اور خیریت

• محکمہ کے لحاظ سے غیر موجودگی کی شرح (گرمی کا نقشہ)
• بریڈفورڈ فیکٹر کی تقسیم
• وجہ سے غیر موجودگی (پائی چارٹ)
• غیر موجودگی کا رجحان (12 ماہ کا لائن چارٹ)
• غیر موجودگی بمقابلہ کارکردگی کا باہمی تعلق سکیٹر پلاٹ

---

اکثر پوچھے گئے سوالات

میں Power BI کو ورک ڈے یا SAP SuccessFactors سے کیسے جوڑ سکتا ہوں؟

ورک ڈے ایک Prism Analytics ماڈیول اور REST API فراہم کرتا ہے جس سے Power BI OAuth تصدیق کا استعمال کرتے ہوئے ویب کنیکٹر کے ذریعے جڑ سکتا ہے۔ SAP SuccessFactors ملازمین کے ڈیٹا کے لیے OData APIs کو بے نقاب کرتا ہے۔ دونوں نظاموں کے لیے، بڑے اداروں کے لیے تجویز کردہ فن تعمیر ہے: HRIS → Fivetran یا Talend پائپ لائن → Snowflake/ Azure Synapse → Power BI۔ یہ HRIS سے تجزیاتی پرت کو جوڑتا ہے اور API کی شرح کی حد کے مسائل سے بچتا ہے۔

میں پاور BI میں ملازم کے حساس ڈیٹا کی حفاظت کیسے کروں؟

تحفظ کی متعدد پرتیں لاگو کریں: قطار کی سطح کی سیکیورٹی اس بات پر پابندی لگاتی ہے کہ ہر ناظرین ملازمین کا کون سا ڈیٹا دیکھتا ہے (مثال کے طور پر، مینیجر صرف اپنی براہ راست رپورٹیں دیکھتے ہیں، HRBP ان کی تفویض کردہ کاروباری اکائیوں کو دیکھتا ہے)۔ ذاتی ڈیٹا پر مشتمل ڈیٹا سیٹس پر Microsoft انفارمیشن پروٹیکشن حساسیت کے لیبل لگائیں۔ مشترکہ ڈیش بورڈز میں انفرادی ملازم کی سطح پر تنخواہ کا ڈیٹا کبھی بھی ظاہر نہ کریں۔ تنوع کے تجزیات کے لیے، 10 ملازمین سے چھوٹے گروپوں کے لیے میٹرکس کو دبا دیں۔ یقینی بنائیں کہ آپ کی تنظیم کی ڈیٹا پرائیویسی پالیسی واضح طور پر لوگوں کے تجزیات کو استعمال کرنے کی اجازت دیتی ہے۔

Headcount اور FTE میں کیا فرق ہے؟

ہیڈ کاؤنٹ ملازمین کو ان کے کام کے اوقات سے قطع نظر شمار کرتا ہے (پارٹ ٹائم ملازم 1 شمار ہوتا ہے)۔ FTE (مکمل وقت کے برابر) کام کے اوقات کے حساب سے وزن - ایک 50% جز وقتی ملازم 0.5 FTE شمار ہوتا ہے۔ ملازمین کی مطلق گنتی کے لیے ہیڈ کاؤنٹ استعمال کریں (مثال کے طور پر، "ہمارے پاس 500 ملازمین ہیں")۔ صلاحیت کی منصوبہ بندی اور لاگت کی ماڈلنگ کے لیے FTE استعمال کریں (مثال کے طور پر، "ہمارے پاس 430 FTE قابلیت ہے")۔ دونوں اقدامات اہم ہیں اور مختلف مقاصد کو پورا کرتے ہیں۔

میں ٹرن اوور کی شرح کا صحیح حساب کیسے لگا سکتا ہوں؟

ٹرن اوور کی شرح = (علیحدگی کی تعداد / اوسط ہیڈ کاؤنٹ) × 100۔ کلید ڈینومینیٹر ہے — مدت کے لیے شروع اور اختتامی ہیڈ کاؤنٹ کا اوسط استعمال کریں، نہ صرف اختتامی ہیڈ کاؤنٹ۔ 12 ماہ کے ٹرن اوور کو رول کرنے کے لیے، علیحدگی کے آخری 12 مہینوں کو جمع کریں اور 12 ماہ کے اوسط ہیڈ کاؤنٹ سے تقسیم کریں۔ بہت سی تنظیمیں غلط طور پر ختم ہونے والے ہیڈ کاؤنٹ کا استعمال کرتی ہیں، جو بڑھتی ہوئی تنظیموں میں کاروبار کو بڑھاتی ہے۔

کیا Power BI انفرادی ملازمین کے لیے پیشن گوئی کرنے والے اٹریشن کے خطرے کو ظاہر کر سکتا ہے؟

Azure مشین لرننگ انٹیگریشن کے ساتھ، ہاں۔ Azure ML میں تاریخی خصوصیات (مدت، کارکردگی کی درجہ بندی، منگنی کا سکور، آخری پروموشن کی تاریخ، تنخواہ بمقابلہ مارکیٹ، مینیجر کی درجہ بندی) کا استعمال کرتے ہوئے ایک اٹریشن پیشن گوئی ماڈل بنائیں اور ہر موجودہ ملازم کے لیے اٹریشن پروببلٹی سکور آؤٹ پٹ کریں۔ اس اسکور کو پاور BI سے جوڑیں اور اسے مینیجر کے ڈیش بورڈ میں ڈسپلے کریں جس میں ان کی ٹیم کی پرواز کا خطرہ ظاہر ہوتا ہے - ملازمین کو مستعفی ہونے سے پہلے فعال برقرار رکھنے کی بات چیت کی اجازت دینا۔

---

اگلے اقدامات

پاور BI میں HR تجزیات لوگوں کے لیڈروں کو وہی ڈیٹا پر مبنی فیصلہ سازی فراہم کرتا ہے جو فنانس اور سیلز ٹیموں کو برسوں سے ہوتا رہا ہے۔ یہ سمجھنا کہ کون چھوڑ رہا ہے، کیوں، کن ٹیموں سے، اور کس مدت میں HR کو پہلے مداخلت کرنے اور ٹیلنٹ کو برقرار رکھنے کی بصیرت ملتی ہے جو سب سے اہم ہے۔

ECOSIRE کی پاور BI ٹیم مکمل HR اینالیٹکس پلیٹ فارم بناتی ہے — HRIS ڈیٹا پائپ لائن ڈیزائن سے لے کر پرائیویسی کنٹرولز اور کردار پر مبنی رسائی کے ساتھ انٹرایکٹو پیپل اینالٹکس ڈیش بورڈز تک۔

ہمارے HR تجزیاتی نقطہ نظر کو سمجھنے کے لیے ہماری Power BI ڈیش بورڈ ڈیولپمنٹ سروسز کو دریافت کریں، یا اپنی افرادی قوت کے تجزیات کی ضروریات اور ڈیٹا کے ذرائع پر بات کرنے کے لیے ہماری ٹیم سے رابطہ کریں۔