پاور BI HR تجزیاتی ڈیش بورڈ: ورک فورس انٹیلی جنس گائیڈ

لوگ ایک تنظیم کی سب سے بڑی لاگت اور سب سے قیمتی اثاثہ ہیں، پھر بھی زیادہ تر HR محکمے اہم فیصلے کرتے ہیں --- بھرتی، معاوضہ، تنظیم نو، فوائد --- وجدان، کہانی، اور پیچھے رہ جانے والی اسپریڈشیٹ رپورٹس کا استعمال کرتے ہوئے۔ پاور BI ایک ہی انٹرایکٹو پلیٹ فارم میں ہیڈ کاؤنٹ کی حرکیات، اٹریشن پیٹرن، تنوع کی پیشرفت، معاوضے کی ایکویٹی، بھرتی کی کارکردگی، اور مشغولیت کے رجحانات کو دیکھ کر HR ڈیٹا کو افرادی قوت کی ذہانت میں تبدیل کرتا ہے۔

HR رپورٹنگ (کیا ہوا) سے لوگوں کے تجزیات میں تبدیلی (یہ کیوں ہوا اور اس کے بارے میں کیا کرنا ہے) HR فنکشن کے درمیان فرق ہے جو مسائل پر رد عمل ظاہر کرتا ہے اور ایک جو انہیں روکتا ہے۔ جب آپ دیکھ سکتے ہیں کہ ہر سال Q1 میں انجینئرنگ کی کمی میں اضافہ ہوتا ہے، کہ ایک مخصوص مینیجر کی ٹیم کے ساتھیوں کے ٹرن اوور کی شرح 3x ہے، یا یہ کہ خواتین ملازمین 3 سالہ مدت کے نشان پر مرد ملازمین سے زیادہ شرح پر رخصت ہوتی ہیں، تو آپ اگلی روانگی سے پہلے مداخلت کر سکتے ہیں۔

یہ گائیڈ پاور BI میں HR اینالیٹکس ڈیش بورڈ کے مکمل فن تعمیر کا احاطہ کرتا ہے، بشمول ڈیٹا ماڈل، ضروری DAX اقدامات، ہر تجزیاتی ڈومین کے لیے ویژولائزیشن ڈیزائن، اور حساس افرادی قوت کے ڈیٹا کے لیے نفاذ کے تحفظات۔

---

HR تجزیات کے لیے ڈیٹا ماڈل

بنیادی میزیں۔

HR اینالیٹکس ڈیٹا ماڈلز مالیاتی یا سیلز ماڈلز سے مختلف ہوتے ہیں کیونکہ افرادی قوت کے ڈیٹا میں اسٹاک (پوائنٹ ان ٹائم شمار) اور بہاؤ (واقعہ پر مبنی تبدیلیاں) دونوں خصوصیات ہوتی ہیں۔

ملازمین کا طول و عرض (DimEmployee)۔ مرکزی طول و عرض کا جدول جس میں ملازم کی موجودہ خصوصیات شامل ہیں۔ کلیدی کالموں میں EmployeeID، FullName، محکمہ، ٹیم، جاب ٹائٹل، جاب لیول (انفرادی تعاون کرنے والا، مینیجر، ڈائریکٹر، VP، C-Suite)، مینیجر (براہ راست مینیجر کا EmployeeID)، HireDate، Termination Date (فعال ملازمین کے لیے null)، مقام، ملک، جنس، A1 سے زیادہ صنف، TG سے زیادہ سال، 1--3 سال، 3--5 سال، 5--10 سال، 10+ سال)، ملازمت کی قسم (کل وقتی، جز وقتی، ٹھیکیدار)، IsActive (بولین)، بیس سیلری، ٹوٹل معاوضہ، CompaRatio (تنخواہ مارکیٹ کے درمیانی نقطہ سے تقسیم)، اور پرفارمنس حالیہ آر۔

ہیڈ کاؤنٹ اسنیپ شاٹ فیکٹ ٹیبل (FactHeadcountSnapshot)۔ محکمہ، مقام اور آبادیاتی خصوصیات کے لحاظ سے ہیڈ کاؤنٹ کے ماہانہ اسنیپ شاٹس۔ ہر قطار مہینے کے آخر میں ہیڈ کاؤنٹ کی نمائندگی کرتی ہے۔ کالموں میں SnapshotDate، Department، Location، Gender، Ethnicity، ActiveCount، اور FTECount شامل ہیں۔ سنیپ شاٹس درست تاریخی رجحان کے تجزیے کو قابل بناتے ہیں کیونکہ ملازم کا طول و عرض صرف موجودہ حالت کی عکاسی کرتا ہے۔

ایونٹ فیکٹ ٹیبل (FactHREvent)۔ ہر اہم HR ایونٹ کو ریکارڈ کرتا ہے۔ کالموں میں EventID، EmployeeID، EventDate، EventType (ہائر، ٹرمینیشن، پروموشن، ٹرانسفر، تنخواہ میں تبدیلی، چھٹی کی چھٹی)، FromValue (مثال کے طور پر، پچھلا محکمہ، پچھلی تنخواہ)، ToValue (جیسے، نیا محکمہ، نئی تنخواہ)، اور وجہ (استعفی کی وجہ، پروموشن کی وجہ، ٹرانسفر کی وجہ) شامل ہیں۔

ریکروٹمنٹ فیکٹ ٹیبل (فیکٹ ریکروٹمنٹ)۔ پیشکش کی قبولیت کے ذریعے ملازمت کی پوسٹنگ سے لے کر ہائرنگ پائپ لائن کو ٹریک کرتا ہے۔ کالموں میں RequisitionID، Posting Date، Department، Job Title، Source (جاب بورڈ، حوالہ، ایجنسی، کیریئر کا صفحہ)، ApplicationDate، CandidateName، StageID (Applied، Phone Screen، انٹرویو، پیشکش، قبول، مسترد، واپس لیا گیا)، StageDate، HireIncured، اور CostDate شامل ہیں۔

سروے فیکٹ ٹیبل (فیکٹ سروے)۔ ملازمین کی مصروفیت اور اطمینان کے سروے کے جوابات۔ کالموں میں SurveyID، EmployeeID، SurveyDate، QuestionCategory (مصروفیت، اطمینان، مینیجر، گروتھ، کلچر)، اسکور (1--5 یا 1--10)، اور IsAnonymous شامل ہیں۔

تاریخ کا طول و عرض (DimDate)۔ معیاری تاریخ جدول مالیاتی کیلنڈر سپورٹ کے ساتھ تمام حقائق کے جدولوں پر مشترکہ ہے۔

---

ہیڈ کاؤنٹ کے رجحانات

ایکٹو ہیڈ گنتی کے اقدامات

Active Headcount =
CALCULATE(
    COUNTROWS(DimEmployee),
    DimEmployee[IsActive] = TRUE()
)

Headcount End of Period =
CALCULATE(
    MAX(FactHeadcountSnapshot[ActiveCount]),
    FILTER(
        FactHeadcountSnapshot,
        FactHeadcountSnapshot[SnapshotDate] = MAX(DimDate[Date])
    )
)

FTE Count =
CALCULATE(
    SUM(FactHeadcountSnapshot[FTECount]),
    FILTER(
        FactHeadcountSnapshot,
        FactHeadcountSnapshot[SnapshotDate] = MAX(DimDate[Date])
    )
)

New Hires (Period) =
CALCULATE(
    COUNTROWS(FactHREvent),
    FactHREvent[EventType] = "Hire"
)

Terminations (Period) =
CALCULATE(
    COUNTROWS(FactHREvent),
    FactHREvent[EventType] = "Termination"
)

Net Headcount Change = [New Hires (Period)] - [Terminations (Period)]

ہیڈ کاؤنٹ ویژولائزیشن

علاقے کا چارٹ 24 مہینوں میں ماہانہ ہیڈ کاؤنٹ دکھا رہا ہے، جس میں اوپر رکھے گئے ہائرز اور ٹرمینیشنز زیرو لائن سے نیچے رکھے گئے ہیں۔ آبشار کی طرز کا یہ منظر ترقی کی رفتار اور ملازمت کے مقابلے میں برقرار رکھنے کے متعلقہ شراکت کو ظاہر کرتا ہے۔

ڈپارٹمنٹ بریک ڈاؤن ایک اسٹیک شدہ بار چارٹ کا استعمال کرتے ہوئے وقت کے ساتھ محکمہ کے حساب سے ہیڈ کاؤنٹ دکھاتا ہے۔ اس سے پتہ چلتا ہے کہ کون سے محکمے بڑھ رہے ہیں، سکڑ رہے ہیں یا مستحکم ہیں۔

مقام کے لحاظ سے ہیڈ کاؤنٹ نقشے کے بصری پر جغرافیائی افرادی قوت کی تقسیم کو ظاہر کرتا ہے۔ بلبلے کا سائز ہیڈ کاؤنٹ کی نمائندگی کرتا ہے۔ رنگ ترقی کی شرح کی نمائندگی کر سکتا ہے (بڑھنے کے لیے سبز، سکڑنے والے مقامات کے لیے سرخ)۔

---

عدم توجہی کا تجزیہ

ایٹریشن ریٹ کا حساب

اٹریشن ریٹ فارمولہ دھوکہ دہی سے آسان ہے، لیکن غلط حساب کتاب HR تجزیات کی سب سے عام غلطیوں میں سے ایک ہے۔

Average Headcount =
(
    CALCULATE(MAX(FactHeadcountSnapshot[ActiveCount]),
        FILTER(FactHeadcountSnapshot,
            FactHeadcountSnapshot[SnapshotDate] = MIN(DimDate[Date])
        )
    ) +
    CALCULATE(MAX(FactHeadcountSnapshot[ActiveCount]),
        FILTER(FactHeadcountSnapshot,
            FactHeadcountSnapshot[SnapshotDate] = MAX(DimDate[Date])
        )
    )
) / 2

Attrition Rate =
DIVIDE([Terminations (Period)], [Average Headcount], 0)

Annualized Attrition Rate =
VAR MonthsInPeriod =
    DATEDIFF(MIN(DimDate[Date]), MAX(DimDate[Date]), MONTH) + 1
RETURN
    (1 - POWER(1 - [Attrition Rate], 12 / MonthsInPeriod))

Voluntary Attrition Rate =
DIVIDE(
    CALCULATE(
        COUNTROWS(FactHREvent),
        FactHREvent[EventType] = "Termination",
        FactHREvent[Reason] IN {"Resignation", "Retirement", "Personal Reasons"}
    ),
    [Average Headcount],
    0
)

Involuntary Attrition Rate =
DIVIDE(
    CALCULATE(
        COUNTROWS(FactHREvent),
        FactHREvent[EventType] = "Termination",
        FactHREvent[Reason] IN {"Performance", "Restructuring", "Misconduct"}
    ),
    [Average Headcount],
    0
)

اٹریشن ڈیپ ڈائیو ویژولائزیشن

محکمہ کے لحاظ سے ہچکچاہٹ شرح کے لحاظ سے ترتیب شدہ بار چارٹ کا استعمال کرتے ہوئے (سب سے زیادہ سے کم تک)۔ تنظیمی اوسط سے زیادہ نرخوں کے ساتھ محکموں کو نمایاں کریں۔ یہ فوری طور پر پریشانی کے مقامات کی نشاندہی کرتا ہے۔

کالم چارٹ کا استعمال کرتے ہوئے مدت کے بینڈ کے ذریعہ ہجرت۔ عام نمونوں میں پہلے سال میں زیادہ ٹرن اوور (آن بورڈنگ میں ناکامی)، 2--3 سال میں اضافہ (کیرئیر میں اضافے کی مایوسی)، یا 5+ سالوں میں ٹرن اوور میں اضافہ (برن آؤٹ یا جمود) شامل ہیں۔

منیجر کی طرف سے اٹریشن سب سے زیادہ حساس لیکن اکثر قابل عمل نظریہ ہے۔ ہر مینیجر کی ٹیم کے سائز، ٹرمینیشنز، اور اٹریشن ریٹ کو ظاہر کرنے والا ایک ٹیبل یہ ظاہر کرتا ہے کہ کچھ مینیجر مسلسل ٹیلنٹ کو برقرار رکھتے ہیں جبکہ دوسرے اسے مسلسل کھو دیتے ہیں۔ اس تجزیہ کو سوچ سمجھ کر لاگو کریں، اسے تعزیری کارروائی کے بجائے کوچنگ اور مدد کے لیے استعمال کریں۔

اٹریشن ہیٹ میپ محوروں پر محور اور مہینہ کو رنگ کی شدت کے طور پر اٹریشن ریٹ کے ساتھ ملاتا ہے۔ اس سے موسمی نمونوں کا پتہ چلتا ہے (بنس کی ادائیگی کے بعد اور ستمبر میں جب بچے اسکول واپس آتے ہیں تو استعفیٰ اکثر جنوری میں بڑھ جاتا ہے)۔

وجہ کا تجزیہ ڈونٹ یا ٹری میپ چارٹ کا استعمال کرتے ہوئے ختم ہونے کی وجوہات کی تقسیم کو ظاہر کرتا ہے۔ رضاکارانہ روانگی کے لیے، وجوہات میں بہتر موقع، معاوضہ، کام کی زندگی کا توازن، مینیجر کا رشتہ، کیریئر کی ترقی، نقل مکانی، اور ریٹائرمنٹ شامل ہو سکتے ہیں۔

بقا کا تجزیہ

بقا کے منحنی خطوط اس امکان کو ظاہر کرتے ہیں کہ ہر مدت کے سنگ میل پر ایک ملازم تنظیم کے ساتھ رہتا ہے۔ اسے 6 ماہ، 1 سال، 2 سال، 3 سال، اور 5 سال پر برقرار رکھنے کی شرح کا حساب لگا کر بنائیں۔

Retention Rate at 1 Year =
DIVIDE(
    CALCULATE(
        COUNTROWS(DimEmployee),
        DATEDIFF(DimEmployee[HireDate], TODAY(), MONTH) >= 12,
        OR(DimEmployee[IsActive] = TRUE(),
           DATEDIFF(DimEmployee[HireDate], DimEmployee[TerminationDate], MONTH) >= 12)
    ),
    CALCULATE(
        COUNTROWS(DimEmployee),
        DATEDIFF(DimEmployee[HireDate], TODAY(), MONTH) >= 12
    ),
    0
)

محکمہ، ملازمت کی سطح، یا کرایہ کے ذریعہ کے لحاظ سے بقا کے منحنی خطوط کو تقسیم کریں تاکہ یہ معلوم ہو سکے کہ کون سی آبادی سب سے زیادہ اور کم سے کم مستحکم ہے۔

---

تنوع اور شمولیت میٹرکس

نمائندگی کا ڈیش بورڈ

تنوع میٹرکس کے لیے محتاط ڈیزائن کی ضرورت ہوتی ہے کہ وہ معلوماتی اور قابل احترام دونوں ہوں۔ مجموعی ڈیٹا ڈسپلے کریں، کبھی بھی انفرادی سطح کی آبادیاتی تفصیلات۔

صنف کی نمائندگی ایک اسٹیک شدہ بار چارٹ کا استعمال کرتے ہوئے جو محکمہ اور ملازمت کی سطح کے لحاظ سے صنفی تقسیم کو ظاہر کرتا ہے۔ اہم بصیرت مجموعی طور پر صنفی توازن نہیں ہے بلکہ یہ ہے کہ آیا اعلیٰ سطحوں پر نمائندگی میں تبدیلی آتی ہے ("ٹوٹا ہوا حلقہ" یا "شیشے کی چھت" کا تجزیہ)۔

نسلی نمائندگی اسی طرح کے اسٹیک شدہ بارز کا استعمال کرتے ہوئے۔ اپنے مقامات اور صنعتوں کے لیے متعلقہ لیبر مارکیٹ بینچ مارکس سے اپنی تنظیم کی آبادی کا موازنہ کریں۔

Gender Ratio (Female) =
DIVIDE(
    CALCULATE(COUNTROWS(DimEmployee), DimEmployee[Gender] = "Female", DimEmployee[IsActive] = TRUE()),
    CALCULATE(COUNTROWS(DimEmployee), DimEmployee[IsActive] = TRUE()),
    0
)

Diversity Index =
-- Simpson's Diversity Index: probability that two randomly selected employees are from different groups
1 - SUMX(
    VALUES(DimEmployee[Ethnicity]),
    VAR GroupCount = CALCULATE(COUNTROWS(DimEmployee), DimEmployee[IsActive] = TRUE())
    VAR TotalCount = CALCULATE(COUNTROWS(DimEmployee), DimEmployee[IsActive] = TRUE(), ALL(DimEmployee[Ethnicity]))
    RETURN POWER(DIVIDE(GroupCount, TotalCount, 0), 2)
)

انٹرسیکشنل تجزیہ

مجموعی جنس یا نسلی تجزیہ ہی تفاوت کو چھپا سکتا ہے۔ انٹرسیکشنل تجزیہ مجموعوں کا جائزہ لیتا ہے --- مثال کے طور پر، انجینئرنگ میں مردوں کے مقابلے میں انجینئرنگ میں خواتین کی اٹریشن کی شرح، یا مینیجر کی سطح پر غیر اقلیتوں کے مقابلے میں کم نمائندگی والی اقلیتوں کی ترقی کی شرح۔

کالموں پر قطاروں اور میٹرکس (اٹریشن ریٹ، پروموشن ریٹ، اوسط مدت، اوسط معاوضہ) پر آبادیاتی صفات کے ساتھ میٹرکس ویژول بنائیں۔ مشروط فارمیٹنگ اعدادوشمار کے لحاظ سے اہم فرق کو نمایاں کرتی ہے۔

تنوع پائپ لائن

ملازمین کی زندگی کے ہر مرحلے پر تنوع کو ٹریک کریں۔ درخواست دہندگان، انٹرویو لینے والوں، پیشکشوں، ملازمتوں، ترقیوں، اور برطرفیوں کا کتنا فیصد ہر آبادیاتی گروپ سے تعلق رکھتا ہے؟ ان فیصدوں کو ظاہر کرنے والا فنل ظاہر کرتا ہے کہ تنوع کہاں کھو گیا ہے۔ اگر آپ کے درخواست گزار پول میں 45% خواتین ہیں لیکن آپ کی کرایہ پر لینے کی شرح 30% خواتین ہے، تو اسکریننگ یا انٹرویو کے عمل میں تفتیش کے قابل تعصب ہو سکتا ہے۔

---

معاوضے کا تجزیہ

پے ایکویٹی کا جائزہ

Average Salary =
CALCULATE(
    AVERAGE(DimEmployee[BaseSalary]),
    DimEmployee[IsActive] = TRUE()
)

Average Total Comp =
CALCULATE(
    AVERAGE(DimEmployee[TotalCompensation]),
    DimEmployee[IsActive] = TRUE()
)

Compa-Ratio Average =
CALCULATE(
    AVERAGE(DimEmployee[CompaRatio]),
    DimEmployee[IsActive] = TRUE()
)

Salary Range Penetration =
-- How far through the salary range the employee has progressed
DIVIDE(
    AVERAGE(DimEmployee[BaseSalary]) - MIN(DimPayBand[RangeMinimum]),
    MAX(DimPayBand[RangeMaximum]) - MIN(DimPayBand[RangeMinimum]),
    0
)

تنخواہ کے فرق کا تجزیہ

تنخواہ کے فرق کا تجزیہ ڈیموگرافک گروپوں میں معاوضے کا موازنہ کرتا ہے۔ خام (غیر ایڈجسٹ) تنخواہ کا فرق اوسط تنخواہوں کا موازنہ کرتا ہے۔ ایڈجسٹ شدہ تنخواہ میں فرق جائز عوامل (ملازمت کی سطح، مدت، کارکردگی، مقام) کے لیے کنٹرول کرتا ہے اور ممکنہ تعصب سے منسوب بقایا فرق کو ظاہر کرتا ہے۔

پاور BI رجعت پر مبنی تنخواہ ایکویٹی تجزیہ کے آؤٹ پٹ کا تصور کر سکتا ہے۔ ریگریشن ماڈل خود عام طور پر Python, R، یا ایک وقف شدہ معاوضے کے تجزیاتی ٹول میں بنایا گیا ہے۔ ماڈل کے نتائج (پیش گوئی شدہ تنخواہ، اصل تنخواہ، بقایا) Power BI میں درآمد کریں۔

تصویر: ایکس محور پر پیش گوئی شدہ تنخواہ اور Y-محور پر اصل تنخواہ کے ساتھ ایک سکیٹر پلاٹ، ڈیموگرافک گروپ کے ذریعے رنگین۔ اخترن لائن کے اوپر پوائنٹس کی ادائیگی ماڈل کی پیش گوئی کے اوپر کی جاتی ہے۔ نیچے دیئے گئے پوائنٹس کم ادا کیے جاتے ہیں۔ لائن کے نیچے کسی خاص آبادیاتی گروپ کے کلسٹر ممکنہ تنخواہ کی عدم مساوات کی نشاندہی کرتے ہیں۔

معاوضے کی تقسیم

باکس پلاٹ یا وائلن پلاٹ محکمہ اور ملازمت کی سطح کے لحاظ سے تنخواہ کی تقسیم دکھا رہا ہے۔ ان سے پتہ چلتا ہے کہ آیا معاوضہ مضبوطی سے کلسٹرڈ ہے (مسلسل تنخواہ کے طریقوں) یا وسیع پیمانے پر پھیلاؤ (ممکنہ عدم مطابقت)۔ آؤٹ لیرز برقرار رکھنے کے خطرے کی نشاندہی کر سکتے ہیں (کم معاوضہ) یا زیادہ معاوضہ والے حالات۔

---

بھرتی فنل تجزیات

فنل میٹرکس

Applications =
CALCULATE(
    COUNTROWS(FactRecruitment),
    FactRecruitment[StageID] = "Applied"
)

Screen Rate =
DIVIDE(
    CALCULATE(COUNTROWS(FactRecruitment), FactRecruitment[StageID] = "Phone Screen"),
    [Applications],
    0
)

Interview Rate =
DIVIDE(
    CALCULATE(COUNTROWS(FactRecruitment), FactRecruitment[StageID] = "Interview"),
    CALCULATE(COUNTROWS(FactRecruitment), FactRecruitment[StageID] = "Phone Screen"),
    0
)

Offer Rate =
DIVIDE(
    CALCULATE(COUNTROWS(FactRecruitment), FactRecruitment[StageID] = "Offer"),
    CALCULATE(COUNTROWS(FactRecruitment), FactRecruitment[StageID] = "Interview"),
    0
)

Offer Acceptance Rate =
DIVIDE(
    CALCULATE(COUNTROWS(FactRecruitment), FactRecruitment[StageID] = "Accepted"),
    CALCULATE(COUNTROWS(FactRecruitment), FactRecruitment[StageID] = "Offer"),
    0
)

Time to Fill =
AVERAGEX(
    FILTER(FactRecruitment, FactRecruitment[StageID] = "Accepted"),
    DATEDIFF(FactRecruitment[PostingDate], FactRecruitment[HireDate], DAY)
)

Cost per Hire =
DIVIDE(
    SUM(FactRecruitment[CostIncurred]),
    CALCULATE(COUNTROWS(FactRecruitment), FactRecruitment[StageID] = "Accepted"),
    0
)

ماخذ کی تاثیر

ایک میٹرکس بصری ہر بھرتی کے ذریعہ (LinkedIn، درحقیقت، حوالہ، ایجنسی، کیریئر کا صفحہ، یونیورسٹی) کو ظاہر کرتا ہے جس میں درخواستوں کے کالم، کرایہ، لاگت فی کرایہ، بھرنے کا وقت، اور 1 سالہ برقرار رکھنے کی شرح یہ ظاہر کرتی ہے کہ کون سے ذرائع بہترین ٹیلنٹ کو سب سے زیادہ مؤثر طریقے سے فراہم کرتے ہیں۔

کرائے کا معیار بھرتی کا حتمی میٹرک ہے۔ کارکردگی کی درجہ بندی، پروموشن کی شرح، اور ہر ذریعہ سے کرایہ پر لینے کی شرح کو ٹریک کرکے اس کی پیمائش کریں۔ ایک ایسا ذریعہ جو سستے، تیز رفتار ملازمین کو فراہم کرتا ہے جو ایک سال کے اندر چلے جاتے ہیں، ایک مہنگے ذریعہ سے کم قیمتی ہے جو طویل مدتی اعلی کارکردگی کا مظاہرہ کرتا ہے۔

بھرتی ڈیش بورڈ لے آؤٹ

بھرتی کے صفحے پر ایک فنل ویژولائزیشن ہونا چاہیے جس میں مراحل کے درمیان تبادلوں کی شرح، کھلی درخواستوں کے لیے KPI کارڈز، بھرنے کے لیے اوسط وقت، فی کرایہ پر لاگت، اور پیشکش کی قبولیت کی شرح، ایک ماخذ کی تاثیر کا جدول، اور ایک ٹرینڈ لائن ہونا چاہیے جو کھلی درخواستوں اور تاریخی بھرنے کی شرحوں پر مبنی پیشن گوئی کے ساتھ وقت کے ساتھ ساتھ ملازمت کے حجم کو ظاہر کرے۔

---

مصروفیت اور اطمینان

سروے کے تجزیات

Average Engagement Score =
CALCULATE(
    AVERAGE(FactSurvey[Score]),
    FactSurvey[QuestionCategory] = "Engagement"
)

eNPS =
-- Employee Net Promoter Score
VAR Promoters =
    CALCULATE(COUNTROWS(FactSurvey), FactSurvey[Score] >= 9, FactSurvey[QuestionCategory] = "Engagement")
VAR Detractors =
    CALCULATE(COUNTROWS(FactSurvey), FactSurvey[Score] <= 6, FactSurvey[QuestionCategory] = "Engagement")
VAR Total =
    CALCULATE(COUNTROWS(FactSurvey), FactSurvey[QuestionCategory] = "Engagement")
RETURN
    DIVIDE(Promoters - Detractors, Total, 0) * 100

منگنی-Atrition ارتباط

لوگوں کے تجزیات میں سب سے طاقتور تجزیہ منگنی کے اسکور اور اس کے بعد ہونے والے اٹریشن کے درمیان تعلق ہے۔ ایک ویژولائزیشن بنائیں جس میں ایک محور پر انگیجمنٹ سکور اور دوسرے محور پر بعد میں سہ ماہی انٹریشن ریٹ کے ساتھ پلاٹ بنائے گئے محکموں یا ٹیموں کو دکھایا جائے۔ ایک مضبوط منفی ارتباط اس بات کی توثیق کرتا ہے کہ منگنی کے سروے ٹرن اوور کی پیش گوئی کرتے ہیں، جس سے مشغولیت ایک اہم اشارے بنتی ہے جس پر HR حرکت کرنے سے پہلے عمل کر سکتا ہے۔

سروے کے رجحان کا تجزیہ

متعدد سروے انتظامیہ (سہ ماہی یا سالانہ) پر مشغولیت کے اسکور کو ٹریک کریں۔ زمرہ کی سطح کے رجحانات (منگنی، مینیجر تعلقات، ترقی کے مواقع، معاوضہ اطمینان، ثقافت) کو ظاہر کرنے والا ایک لائن چارٹ یہ ظاہر کرتا ہے کہ ملازم کے تجربے کے کون سے پہلو بہتر ہو رہے ہیں یا خراب ہو رہے ہیں۔

---

ڈیٹا پرائیویسی اور سیکیورٹی

حساس ڈیٹا ہینڈلنگ

HR ڈیٹا کسی بھی تنظیم میں سب سے زیادہ حساس ہوتا ہے۔ مضبوط حفاظتی اقدامات کو نافذ کریں۔

قطار کی سطح کی سیکیورٹی تنظیمی یونٹ کے ذریعہ ڈیٹا تک رسائی کو محدود کرتی ہے۔ HR کاروباری شراکت دار صرف اپنے تفویض کردہ محکموں کو دیکھتے ہیں۔ ایگزیکٹوز ان کی رپورٹنگ کا درجہ بندی دیکھتے ہیں۔ CHRO اور HR تجزیاتی ٹیم سب کچھ دیکھتی ہے۔ مالیاتی ڈیش بورڈ گائیڈ میں بیان کردہ اسی پیٹرن کا استعمال کرتے ہوئے RLS کو لاگو کریں، جس میں صارف کی شناخت کو تنظیمی اکائیوں سے جوڑنے والی سیکیورٹی میپنگ ٹیبل کے ساتھ۔

مجموعی حد۔ کبھی بھی 5 ملازمین سے چھوٹے گروپوں کے لیے ڈیموگرافک ڈیٹا ڈسپلے نہ کریں۔ تنوع کی خرابی "محکمہ خزانہ میں ایشیائی زمرے میں 1 ملازم" کو ظاہر کرتا ہے ایک فرد کی مؤثر طریقے سے شناخت کرتا ہے۔ DAX اقدامات بنائیں جو چھوٹے گروپوں کو دباتے ہیں۔

Suppressed Count =
VAR RawCount = COUNTROWS(DimEmployee)
RETURN IF(RawCount < 5, BLANK(), RawCount)

ڈیٹا کی درجہ بندی۔ پاور BI سروس میں ڈیش بورڈ کو خفیہ کے طور پر لیبل کریں۔ برآمد اور ڈاؤن لوڈ کی اجازت کو محدود کریں۔ آڈٹ رسائی لاگوں کو باقاعدگی سے.

---

اکثر پوچھے گئے سوالات

HRIS سسٹمز پاور BI کے ساتھ اچھی طرح سے مربوط ہیں؟

ورک ڈے، SAP SuccessFactors، BambooHR، ADP، UKG (Ultimate Kronos Group)، اور Oracle HCM Cloud سبھی کے پاس APIs، ڈیٹا ایکسپورٹ، یا وقف کنیکٹرز کے ذریعے پاور BI انضمام کے اختیارات ہیں۔ اسپریڈشیٹ پر مبنی HR ریکارڈ استعمال کرنے والی چھوٹی تنظیموں کے لیے، Power BI براہ راست Excel فائلوں یا Google Sheets سے جڑتا ہے۔ سب سے مضبوط طریقہ HRIS ڈیٹا کو ڈیٹا گودام (Azure SQL، Snowflake) میں روزانہ کے شیڈول پر نکالنا، پھر Power BI کو گودام سے جوڑنا ہے۔

میں ایسے ملازمین کو کیسے ہینڈل کروں جو محکموں کے درمیان ٹرانسفر ہوں؟

مجرد واقعات کے طور پر ٹرانسفرز کو ٹریک کرنے کے لیے ایونٹ فیکٹ ٹیبل کا استعمال کریں۔ ہیڈ کاؤنٹ اسنیپ شاٹ ٹیبل ہر وقت صحیح ڈپارٹمنٹ اسائنمنٹ کو حاصل کرتا ہے۔ ڈپارٹمنٹ کی طرف سے انٹریشن کا حساب لگاتے وقت، فیصلہ کریں کہ آیا اس اعتکاف کو اس محکمے سے منسوب کرنا ہے جس سے ملازم نے چھوڑا تھا یا جس محکمے میں وہ برطرفی کے وقت تھے۔ صنعت کا معیار ختم ہونے کے وقت محکمہ ہے۔

صحت مند ملازم کی چھٹی کی شرح کیا ہے؟

صنعت کی اوسط نمایاں طور پر مختلف ہوتی ہے۔ ٹکنالوجی کمپنیاں عام طور پر 15--20٪ سالانہ رضاکارانہ عدم توجہی کو دیکھتی ہیں۔ صحت کی دیکھ بھال اور خوردہ 20--30٪ دیکھیں۔ حکومت اور تعلیم 5--10٪ دیکھ رہے ہیں۔ ایک مفید بینچ مارک آپ کی شرح کا آپ کی مخصوص صنعت اور جغرافیہ سے موازنہ کر رہا ہے۔ مطلق شرح سے زیادہ اہم یہ ہے کہ رجحان کی سمت ہے اور آیا اٹریشن اعلی کارکردگی کا مظاہرہ کرنے والے ملازمین میں مرکوز ہے یا یکساں طور پر تقسیم کیا گیا ہے۔

کیا Power BI ملازمین کی چھٹی کی پیشین گوئی کر سکتا ہے؟

پاور BI پیشین گوئی کرنے والے ماڈلز کے ذریعے پیدا ہونے والے اٹریشن رسک اسکورز کا تصور کر سکتا ہے، لیکن خود پیشین گوئی Python (scikit-learn)، R، یا Azure Machine Learning میں بہترین انداز میں بنائی گئی ہے۔ عام پیشن گوئی کی خصوصیات میں میعاد، حالیہ کارکردگی کی درجہ بندی میں تبدیلی، مارکیٹ کے لحاظ سے معاوضہ، مینیجر کی مدت، سفر کا فاصلہ، اور مشغولیت کے سروے کے اسکور شامل ہیں۔ ماڈل ہر ملازم کے لیے ایک رسک سکور نکالتا ہے، جسے پاور BI ایک رسک ہیٹ میپ کے طور پر دکھاتا ہے یا HR پر عمل کرنے کے لیے ترتیب شدہ فہرست۔

HR ڈیش بورڈز کو کتنی بار ریفریش کرنا چاہیے؟

زیادہ تر HR میٹرکس کے لیے ہفتہ وار ریفریش کافی ہے۔ ہیڈ کاؤنٹ، اٹریشن، اور ڈائیورسٹی ڈیٹا منٹ بہ منٹ تبدیل نہیں ہوتا ہے۔ بھرتی کے ڈیش بورڈز فعال بھرتی کی مدت کے دوران روزانہ تازہ کاری سے فائدہ اٹھاتے ہیں۔ منگنی کے ڈیش بورڈز ہر سروے انتظامیہ کے بعد تازہ دم ہوتے ہیں۔ استثنیٰ تنظیم نو یا M&A واقعات کے دوران افرادی قوت کی منصوبہ بندی ہے، جہاں روزانہ یا حتیٰ کہ اصل وقت میں ہیڈ کاؤنٹ کی مرئیت کی ضرورت ہو سکتی ہے۔

میں ڈیٹا کی رازداری کے ضوابط (GDPR, CCPA) کی تعمیل کو کیسے یقینی بناؤں؟

ڈیٹا کو کم سے کم لاگو کریں --- صرف تجزیہ کے لیے ضروری ڈیٹا فیلڈز شامل کریں۔ RLS کو سختی سے لاگو کریں تاکہ صرف مجاز اہلکار ہی حساس ڈیٹا تک رسائی حاصل کر سکیں۔ انفرادی شناخت کو روکنے کے لیے چھوٹے گروپوں کو جمع کریں۔ اپنے ڈیٹا پروسیسنگ کے مقاصد اور قانونی بنیادوں کو دستاویز کریں۔ پاور BI سروس میں آڈٹ لاگنگ کو فعال کریں تاکہ معلوم ہو سکے کہ ڈیش بورڈ تک کون اور کب تک رسائی حاصل کرتا ہے۔ GDPR سے مشروط تنظیموں کے لیے، یقینی بنائیں کہ ملازم کی رضامندی تجزیاتی استعمال کا احاطہ کرتی ہے یا یہ کہ پروسیسنگ مناسب تحفظات کے ساتھ جائز مفاد کے تحت آتی ہے۔

---

پیشہ ورانہ HR تجزیات کی ترقی

افرادی قوت کے تجزیات HR کو لاگت کے مرکز سے ایک اسٹریٹجک فنکشن میں تبدیل کرتے ہیں۔ لیکن ایک ایسا ڈیش بورڈ بنانا جس پر HR لیڈران افرادی قوت کے حساس فیصلوں پر بھروسہ کرتے ہیں پاور BI اور انسانی سرمائے کی پیمائش دونوں میں مہارت کی ضرورت ہوتی ہے۔

ECOSIRE کی پاور BI سروسز میں شامل ہیں ڈیش بورڈ ڈویلپمنٹ HR اور لوگوں کے تجزیات کے لیے، ڈیٹا ماڈلنگ پیچیدہ HRIS انضمام کے لیے، اور عملی خدمات تنظیموں کے لیے جو اپنے پہلے لوگوں کی تجزیاتی صلاحیت تیار کر رہی ہیں۔

---

لوگوں کے تجزیات انسانی فیصلے کو الگورتھم سے بدلنے کے بارے میں نہیں ہیں۔ یہ HR رہنماؤں کو تیزی سے بہتر فیصلے کرنے کے لیے ثبوت کی بنیاد دینے کے بارے میں ہے۔ جب استعفیٰ کا خط آنے سے پہلے عدم توجہی کا خطرہ نظر آتا ہے، جب قانونی چارہ جوئی بننے سے پہلے تنخواہوں کے ایکویٹی کے فرق کو درست کیا جاتا ہے، اور جب منگنی کے رجحانات کو ثقافتی بحران بننے سے پہلے ٹریک کیا جاتا ہے، تو HR فنکشن رد عمل سے اسٹریٹجک کی طرف بڑھ جاتا ہے۔ وہ شفٹ دائیں ڈیش بورڈ سے شروع ہوتا ہے۔