HR Analytics (หรือ People Analytics) คือการนำข้อมูลด้านบุคลากรที่องค์กรมีอยู่แล้ว — เวลาเข้างาน วันลา ชั่วโมง OT เงินเดือน อัตราการลาออก — มาวิเคราะห์เพื่อใช้ตัดสินใจแทนการใช้ความรู้สึกหรือประสบการณ์เพียงอย่างเดียว เป้าหมายไม่ใช่การมีกราฟสวย ๆ แต่คือการตอบคำถามธุรกิจได้ เช่น "ทำไมต้นทุน OT ไตรมาสนี้พุ่ง" หรือ "แผนกไหนเสี่ยงคนลาออกยกทีม" บทความนี้จะสรุปตัวชี้วัดที่ควรเริ่มเก็บ พร้อมวิธีเริ่มต้นที่ธุรกิจขนาดเล็กทำได้จริง

ทำไม HR ยุคใหม่ต้องพูดภาษาตัวเลข

เวลาผู้บริหารถามว่า "ปีนี้คนลาออกเยอะไหม" คำตอบว่า "รู้สึกว่าเยอะกว่าปีก่อน" กับ "อัตราการลาออก 18% สูงกว่าปีก่อน 5 จุด และ 70% ของคนที่ออกอยู่แผนกเดียวกัน" ให้น้ำหนักในการตัดสินใจต่างกันมหาศาล องค์กรที่วัดผลได้จะจัดงบ จัดคน และแก้ปัญหาได้ตรงจุดกว่า ที่สำคัญคือข้อมูลเหล่านี้องค์กรส่วนใหญ่มีอยู่แล้วในระบบลงเวลาและระบบเงินเดือน เพียงแต่ไม่เคยถูกดึงมารวมกันให้เห็นเป็นภาพเดียว

7 ตัวชี้วัด HR ที่ควรรายงานผู้บริหารทุกเดือน

7 ตัวเลข HR ที่ผู้บริหารควรเห็นจากแดชบอร์ด:

  1. อัตราการลาออก (Turnover Rate)
  2. อัตรามาสายและขาดงาน (Absenteeism)
  3. ต้นทุน OT ต่อแผนก
  4. อัตราการใช้วันลา (Leave Utilization)
  5. ต้นทุนบุคลากรต่อรายได้ (Labor Cost Ratio)
  6. ระยะเวลาปิดงวดเงินเดือน (Payroll Cycle Time)
  7. อายุงานเฉลี่ยของพนักงานที่ลาออก (Tenure at Exit)

1. อัตราการลาออก (Turnover Rate)

จำนวนพนักงานที่ออกในเดือนนั้น หารด้วยจำนวนพนักงานเฉลี่ย คูณ 100 — ควรแยกดูรายแผนกและรายหัวหน้างานเสมอ เพราะค่าเฉลี่ยรวมมักซ่อนปัญหาไว้ อ่านแนวทางแก้เชิงลึกได้ที่ วิธีลดอัตราการลาออกด้วยข้อมูลพนักงาน

2. อัตรามาสายและขาดงาน (Absenteeism)

สัดส่วนการมาสาย/ขาดงานต่อวันทำงานทั้งหมด ตัวเลขนี้เป็น "สัญญาณนำ" ที่ดีที่สุดตัวหนึ่งของปัญหาขวัญกำลังใจ — ทีมที่เริ่มหมดไฟมักมาสายถี่ขึ้นก่อนจะลาออกจริงหลายเดือน ระบบลงเวลาผ่านมือถือ GPS ทำให้ได้ข้อมูลนี้อัตโนมัติโดยไม่ต้องรวบรวมมือ

3. ต้นทุน OT ต่อแผนก

ชั่วโมง OT × อัตราค่าล่วงเวลา แยกรายแผนก/รายเดือน หาก OT สูงต่อเนื่องในแผนกเดิม นั่นอาจหมายถึงงานเกินกำลังคน (ควรจ้างเพิ่ม ถูกกว่าจ่าย OT ระยะยาว) หรือการจัดกะที่ไม่มีประสิทธิภาพ ดูวิธีคิด OT ให้ถูกกฎหมายที่ วิธีจัดกะและคิด OT ตามกฎหมายแรงงานไทย

4. อัตราการใช้วันลา (Leave Utilization)

พนักงานใช้พักร้อนเฉลี่ยกี่เปอร์เซ็นต์ของสิทธิ — ทั้ง "ต่ำผิดปกติ" (เสี่ยง burnout และวันลาค้างสะสมเป็นภาระทางบัญชี) และ "สูงผิดปกติเฉพาะบางคน" (สัญญาณกำลังหางานใหม่) ล้วนเป็นข้อมูลที่ HR ควรเห็นก่อนเกิดเรื่อง

5. ต้นทุนบุคลากรต่อรายได้ (Labor Cost Ratio)

เงินเดือนรวม + OT + สวัสดิการ หารด้วยรายได้บริษัท — ตัวเลขที่ CFO ใช้คุยกับ HR ได้ตรงที่สุด และเป็นฐานของการวางแผนกำลังคนปีถัดไป

6. ระยะเวลาปิดงวดเงินเดือน (Payroll Cycle Time)

นับจากวันตัดรอบถึงวันเงินออก ใช้เวลากี่วันและแก้ข้อผิดพลาดกี่รายการ ตัวเลขนี้วัด "สุขภาพกระบวนการ" ของฝ่าย HR เอง องค์กรที่ยังใช้ Excel มักใช้ 3–5 วัน ขณะที่ระบบอัตโนมัติลดเหลือไม่ถึงวัน (ดู 5 สัญญาณว่าถึงเวลาเลิกใช้ Excel ทำเงินเดือน)

7. อายุงานเฉลี่ยของพนักงานที่ลาออก (Tenure at Exit)

ถ้าคนส่วนใหญ่ออกช่วง 3–6 เดือนแรก ปัญหาอยู่ที่การคัดเลือกหรือ onboarding แต่ถ้าออกช่วงปีที่ 2–3 ปัญหามักอยู่ที่เส้นทางเติบโตและค่าตอบแทน — ตัวเลขเดียวชี้จุดแก้ได้ต่างกันสิ้นเชิง

วิธีเริ่มต้น HR Analytics แบบไม่ต้องมี Data Scientist

  • ขั้นที่ 1: ทำข้อมูลตั้งต้นให้เป็นดิจิทัล — ตราบใดที่การลงเวลายังอยู่บนกระดาษและใบลายังเป็นฟอร์มเซ็นมือ จะไม่มีอะไรวิเคราะห์ได้เลย จุดเริ่มที่คุ้มสุดคือระบบลงเวลา + ระบบลาออนไลน์
  • ขั้นที่ 2: เลือกแค่ 3 ตัวชี้วัดแรก — แนะนำ Turnover, มาสาย/ขาดงาน และต้นทุน OT เพราะเชื่อมกับเงินชัดเจนที่สุด อย่าพยายามทำครบ 20 ตัวตั้งแต่เดือนแรก
  • ขั้นที่ 3: รายงานเป็นจังหวะสม่ำเสมอ — ตัวเลขเดือนเดียวไม่มีความหมายเท่า "แนวโน้ม 6 เดือน" ทำรายงานหน้าเดียวส่งผู้บริหารทุกต้นเดือน
  • ขั้นที่ 4: ใช้ dashboard สำเร็จรูปแทนการสร้างเอง — ระบบ HR สมัยใหม่มีแดชบอร์ดและรายงาน Excel/CSV ในตัว ดึงข้อมูลเข้างานจริง วันลา และ OT มาแสดงอัตโนมัติ ไม่ต้องเขียนสูตรเอง

ตัวอย่างการอ่านข้อมูลให้ "เห็นเงิน": กรณีต้นทุน OT

สมมติโรงงานแห่งหนึ่งมีพนักงานฝ่ายผลิต 40 คน ค่าแรงเฉลี่ยชั่วโมงละ 75 บาท รายงานเดือนล่าสุดแสดง OT รวม 640 ชั่วโมง คิดเป็นต้นทุน OT ราว 72,000 บาท/เดือน (640 × 75 × 1.5) หากแนวโน้มนี้ต่อเนื่อง 6 เดือน เท่ากับจ่าย OT กว่า 4 แสนบาท — ขณะที่การจ้างพนักงานเพิ่ม 2 คนอาจใช้งบใกล้เคียงกันแต่ได้กำลังผลิตถาวรและลดความเสี่ยง burnout ของทีมเดิม การตัดสินใจแบบนี้เกิดขึ้นไม่ได้เลยถ้าไม่มีตัวเลข OT รายเดือนแยกตามแผนกวางอยู่ตรงหน้า และนี่คือคุณค่าที่แท้จริงของ HR Analytics: เปลี่ยนคำว่า "รู้สึกว่างานเยอะ" ให้กลายเป็นทางเลือกทางธุรกิจที่คำนวณได้

ข้อผิดพลาดที่พบบ่อยเมื่อองค์กรเริ่มทำ HR Analytics

  • เก็บทุกอย่างแต่ไม่ตอบคำถามอะไรเลย — dashboard ที่มี 30 กราฟแต่ผู้บริหารเปิดดูแล้วไม่รู้จะตัดสินใจอะไร ไม่มีประโยชน์เท่ารายงานหน้าเดียวที่ชี้ปัญหา 1 เรื่องพร้อมข้อเสนอ
  • ข้อมูลตั้งต้นสกปรก — เวลาเข้างานที่หัวหน้าแก้ให้ทีหลัง วันลาที่จดไว้ในไลน์กลุ่ม ทำให้ตัวเลขทุกตัวที่คำนวณต่อเชื่อถือไม่ได้ ระบบที่บันทึกอัตโนมัติจากต้นทางจึงสำคัญกว่าเครื่องมือวิเคราะห์ราคาแพง
  • วัดแล้วไม่มีใครรับผิดชอบ — ทุกตัวชี้วัดต้องมีเจ้าของและกำหนดว่าตัวเลขระดับไหนต้อง action อะไร ไม่เช่นนั้นรายงานจะกลายเป็นพิธีกรรมรายเดือน
  • ลืมสื่อสารกับพนักงาน — การเก็บข้อมูลอย่างโปร่งใสว่าเก็บอะไร เพื่ออะไร ช่วยลดแรงต้านและสร้างความเชื่อใจ ซึ่งเป็นเงื่อนไขให้ข้อมูลมีคุณภาพในระยะยาว

ข้อควรระวัง: Analytics ที่ดีต้องเคารพ PDPA

ข้อมูลพนักงานเป็นข้อมูลส่วนบุคคล การนำมาวิเคราะห์ต้องมีวัตถุประสงค์ชัดเจน จำกัดสิทธิผู้เข้าถึง และไม่ใช้ในทางที่เป็นโทษกับพนักงานเกินสมควร แนะนำอ่านคู่มือ PDPA สำหรับฝ่ายบุคคล ประกอบก่อนเริ่มโครงการ

คำถามที่พบบ่อย (FAQ)

องค์กรเล็ก 20–30 คน จำเป็นต้องทำ HR Analytics ไหม?

ยิ่งจำเป็น — เพราะคนลาออก 3 คนในองค์กร 20 คนคือ 15% ของกำลังคน ผลกระทบแรงกว่าองค์กรใหญ่มาก และข้อมูลจากระบบลงเวลา/เงินเดือนก็เพียงพอต่อการเริ่มโดยไม่มีต้นทุนเพิ่ม

ต่างจากรายงาน HR ปกติอย่างไร?

รายงานทั่วไปตอบว่า "เกิดอะไรขึ้น" (มีคนลา 12 คน) ส่วน Analytics ตอบว่า "แปลว่าอะไรและควรทำอะไรต่อ" (การลากระจุกในทีมเดียว บ่งชี้ปัญหาหัวหน้างาน ควรสัมภาษณ์ทีมภายในเดือนนี้)

เริ่มต้นต้องใช้เครื่องมืออะไรบ้าง?

ระบบ HR ที่เก็บข้อมูลเวลา-ลา-เงินเดือนไว้ที่เดียวและส่งออกได้ ก็เพียงพอสำหรับ 1–2 ปีแรก — ลองดูตัวอย่างแดชบอร์ดของ HRPM ได้ฟรี