1、人力资源大数据对企业进行的分析是：人才招聘分析、员工绩效分析、员工流失分析。人才招聘分析人力资源大数据可以通过分析招聘渠道、招聘需求、招聘效果等方面的数据，帮助企业更加精准地找到符合企业要求的人才。
2、人员结构分析，薪酬分析等。了解企业现有人力资源的年龄、性别等分布情况，可判断企业人力资源结构合理性，从而进行针对性的优化。分析企业薪酬数据，薪酬水平、薪酬差距等，可了解企业薪酬体系的合理性和公平性，从而进行针对性的优化。
3、一）大数据助力HR-BIHumanResourceBusiness，以下简称HR-BI，即人力资源商业智能，主要解决通过数据对整个人力资源过程监控，对人力资源管理监控分析。
4、历史统计法：该方法通过对历史招聘数据和员工流失率进行分析来进行人力资源供给预测。通过对过去几年的人事变动情况进行记录和归纳，可以对未来的人力资源供给和需求进行简单的预测。但是，这种方法容易被固有的数据条目所限制，导致结果不够准确。
5、大数据是指无法在合理时间范围内，利用现有软件工具进行管理和处理的数据集合，它具有数据量巨大，数据流转速度快，数据类型多样和价值密度低的特点。大数据时代的到来，给人力资源管理工作带来了翻天覆地的变化。
6、人力资源管理对于企业生产经营创造起着重要作用，对人力资源进行合理管控有助于企业长远经营并创造利润。在大数据时代，想要更好的起到人力资源管理的作用，也需要不断进行探索发现，创造出适应于新时代的人力资源管理模式。
实时营销决策：通过大数据分析，企业可以实时监测市场和客户的变化，及时采取营销决策，包括价格调整、促销活动等，从而实现营销的灵活性和时效性。总之，企业通过大数据分析可以深入了解客户需求、掌握市场动态、提高营销效率，从而实现精准营销和增加销售业绩。
协同过滤：利用用户行为数据，精准推荐感兴趣的商品，提升购买转化。情感分析：通过评论情感分析，优选好评如潮的优质商品，增强推荐的有效性。实时推荐系统：根据用户实时动态，灵活调整推荐，适应市场变化。
解决垃圾数据难题的方法是确保数据进入系统得到干净的控制。具体来说，重复免费，完整和准确的信息。如今，那些具有专门从事反调试技术和清理数据的应用程序和企业，可以对任何对大数据分析感兴趣的公司进行调查。数据清洁是市场营销人员的首要任务，因为数据质量差的连锁效应可能会大大提高企业成本。
提升个性化服务：在过去，大型百货公司努力为客户提供个性化服务以增强竞争力。如今，大数据使企业能够更深入了解客户需求，提供更为精准、个性化的服务。例如，亚马逊利用用户的愿望清单、浏览历史和购买记录等数据，提供个性化的产品推荐。
企业应用大数据分析就要借助一些数据分析工具，比如商业智能软件FineBI，有了工具就等于完成了一半。一般数据分析工作可分为以下三个步骤：明确业务需求按业务驱动的角度，了解业务部门需要解决什么样的问题，业务范围是什么，所要达成的效果又是怎样，依据这些需求来实施部署商业智能工具。
更重要的是，大数据分析有助于我们监测和预测流行性或传染性疾病的暴发时期，可以将医疗记录的数据与有些社交媒体的数据结合起来分析。比如，谷歌基于搜索流量预测流感爆发，尽管该预测模型在2014年并未奏效——因为你搜索“流感症状”并不意味着真正生病了，但是这种大数据分析的影响力越来越为人所知。
数据存储和管理MySQL数据库：部门和Internet公司通常使用MySQL存储数据，优点是它是免费的，并且性能，稳定性和体系结构也都比较好。SQLServer：SQLServer2005或更高版本集成了商业智能功能，可为中小型企业提供数据管理，存储，数据报告和数据分析。
首先，企业管理者和员工需要培养大数据思维，将其融入企业决策、管理理念、工作方式以及企业文化中。这包括信任数据，以数据为依据来发现问题和解决问题，并以用户为导向，充分利用大数据不断完善产品功能和用户体验，满足用户的多样化需求。其次，企业应挖掘大数据的价值。
企业通过大数据分析可以收集、存储、处理和分析消费者的海量数据，从而挖掘出潜在的商业价值和市场机会。
1、细分剖析细分剖析是数据剖析的根底，单一维度下的目标数据信息价值很低。细分办法能够分为两类，一类是逐步剖析，比方：来北京市的访客可分为向阳，海淀等区；另一类是维度穿插，如：来自付费SEM的新访客。细分用于处理一切问题。
2、数据收集和存储技术：这包括数据挖掘、数据清洗、数据预处理和数据仓库等技术，它们的作用是收集、整理和存储海量数据，确保数据为后续分析做好准备。分布式计算技术：由于大数据的处理量巨大，分布式计算技术成为必要选择。
3、数据挖掘技术数据挖掘是大数据分析中最关键的技术之一，它通过数据分析工具和算法对大量数据进行处理和分析，以发现数据中的模式、规律和趋势。数据挖掘技术主要包括分类、聚类、关联规则挖掘等。分类是将数据分为不同的类别，聚类则是将数据分为相似的群组，关联规则挖掘则是寻找不同变量间的关联性。
