HR 如何借助好大数据这股东风?

作者：益才发布时间：2023-12-27

追溯人力资源的发展历程，从20世纪初期泰勒主义的“效率为主”,到麦格雷戈“X理论和Y理论”的提出，到人事管理、人力资源管理，再到战略人力资源管理。人力资源从业者付出了无数努力，希望将这个职能转变成一个更有战略地位的业务伙伴，但有些企业的人力资源依然只是一个支持部门，在商业决策中无足轻重。在组织层面，人力资源从业者设计的操作性和数据战术性任务最多，但依然没有带来战略影响。眼下或许正是人才数据分析走上舞台的绝佳时机。人才数据分析将科学化管理理念带到了HR领域，量化了HR的价值和影响，甚至在某种程度上，它驱动了科学管理的复兴。

通过数据驱动的方式来管理人员，对大部分人而言，仍是全新的工作领域。HR将不再依靠经验和直觉，而是与组织内的其他部门采用同一种语言——数据，人力资源会变成一个频繁与数据打交道的部门。我们梳理下数据产生价值的路径：数据生成报表，报表引发更加深入的数据挖掘和信息分析并产生分析结果，分析结果融入决策流程且引发了具体的行动，进而产生价值和影响。

结合人才管理的场景，益才提出基于人才数据的价值链条：看见、洞见、预见。接下来我们重点梳理人才数据分析这一管理时尚在每个阶段的关注点，给出相应的解决方式，并提供更好地迈向下一阶段的建议。

企业可以根据自身情况按图索骥，制定数智化人才管理的发展策略和落地举措。

看见：人数合一（1.0阶段）

如何看见？——细化。

细化数据到不同部门、区域、岗位、层级，按类别显示数据、成本、时间、数量、效率，寻找明显的关联性和趋势，通过细化能够更加清晰地看到发生了什么，出现了什么问题。

“魔鬼藏于细节中”，譬如很多企业都分析过人才结构的数据，如果只是从整个组织的角度将人才数据类别做出分类，分布情况做出统计，显然无法得出什么结论，连评价好坏的标尺都没有，我们也无法知道什么类型的人才结构是一个最优的人才结构。但将这些数据细分从部门、层级、区域等层面进行类比和交叉的时候，就会自然而然地反映出一些问题。早年腾讯就通过人才数据年龄结构的比对分析发现：全集团一两千名总监，30岁以下人数极少，这对于强调“活力、年轻化”的互联网巨头而言，细化到“年龄和层级”这两组数据，看人才结构的时候，发现出了问题，后来便有了“干部队伍年轻化”的人才举措。

其次，通过不同部门、区域、岗位、层级数据的对标分析，差距最大的维度往往意味着是公司相对人才供给较弱的区域，意味着该维度面临较大的问题和风险，需尽快分析产生原因并做出有针对性调整；如果正好是公司战略或战术核心人才，则需要重点加强，或者尽快调整负责人；

通过交叉分析，也可以看出组织在整体人才分布中的潜在风险，在哪些部分可能会出现人才断档，人才空缺等；哪怕是基础的人事行政信息的交叉分析，也能发现可能的风险和问题，如年龄整体偏大的可能风险是对于数字化时代的理解和把握，以及业务的创新突破不够等；年龄整体偏小的可能风险是管理成熟度不够、决策冲动性较大等。

通过细化人力资源各种不同的指标，我们可以进一步定位原因。例如：我们发现新员工无法通过试用期比例上升时，就可以把员工的数据具体细化到不同的部门或者不同的招聘人员，如果我们发现这种情况都集中在某个部门，那可能是部门管理的问题；如果是集中于某几位招聘人员，那可能就是招聘人员的技能问题。同样在分析离职率的时候，通过细化的方式，分类到不同的团队，我们才有可能进一步看到问题。

总体而言，“看见”问题相对容易，在一些数据分析工具中通常会提供分类切片的功能可以让HR从不同的细分维度来发现问题。HR团队需要持续追踪关键的人才数据，在此过程中持续地进行关联分析，一定要持续才会有价值。譬如持续追踪“组织温度”这一指标，然后细化到不同的一级、二级组织，部门，分公司，工厂去看，去对比的时候就会发现很多问题，那么就可以针对这些问题提出专门的改善建议，定期检核衡量，持续螺旋做出改善。

洞见：数据驱动（2.0阶段）

如何洞见？——穿透。

洞见，即穿透表面数据看背后的原因，通过对大量数据进行筛选、分离、归类、整合等一系列“穿透”动作才能发现和聚焦问题根源所在。 “穿透”本质上是对数据核心意义的挖掘和探讨，是对问题的查找、判断、分析，可以知道“为什么会发生？”

很多HR在经营会议上已经开始进行数据性的汇报，所列指标众多，但大多数的指标还是停留在现象指标上，而不是基于数据的洞察，仅仅是过去一些现象的简单反映，不能真正定位问题，更无法找到解决方案。

所谓的洞察，是对特定场景中问题的特定因果关系的理解。一般而言，人力资源管理者在日常工作中遇到的绝大多数有关联的变量关系都是相关关系，面对的问题并非绝对因果关系，也难以推导出因果关系。例如，公司薪酬水平低和员工离职率高之间应当具备一定的相关性，但并不能断定它们之间属于因果关系。仅依据统计数据和主观想象不足以得出事物之间的因果关系，想要识别两者之间的因果关系，必须严格地从理论上证明这两个变量之间存在因果逻辑，并且要排除掉第三个隐含变量导致这两个变量变化的可能性。人力资源管理场景大多是非结构化的、模糊的、不确定的、灰色关联的，这就更需要我们突破简单线性思维的束缚，不局限于表象的推理逻辑，更全面地剖析各种因素之间的相关性。

数据无疑是可靠的帮手。穿透数据，借助联动、下钻、挖掘、预警等方法，挖掘事物潜在的关联性，在多种数据技术的探索过程中发现企业、组织、员工未曾意识到的新问题，为绩效改进提供机会或原因，可以基于战略和业务需求，围绕“组织效能与人效、战略人力配置、人力资源运行、人才管理价值”等核心维度，设计有用、有效的人力资源数据分析专题，在数据中发现问题，例如在某关键岗位的继任数据中看到异常情况，就可以有针对性地制作“岗位人才厚度”的问题分析报告。

不同的组织会遇到了各种各样的人才管理问题，比如：员工对薪酬不满意，竞争力下降；质量下降；产品需求和整体收益下降；员工频繁跳槽；组织规模缩减之后士气低落等。深究之下，这些都只是现象，真正的问题还隐藏其中。比如需要解决“技术人员流失”问题，通常的做法是：通过任职资格和发展通道的设计，为技术人员提供成长空间来留人。但通过调研数据的深入分析后，发现技术人员流失的直接原因是个人成就感和发展空间不足，导致的原因是企业整体业务推进不畅；再穿透数据研究企业业务推进不畅时，发现原因在于企业布局的行业太多，资源和能力跟不上，处处打井，均不了了之。最后选择的解决方案是：战略澄清，聚焦优势领域，集结资源，压强投入。

组织是一个系统，每一个节点都有相关性或因果关系，穿透数据其实就是透过现象看本质，不断找到根本问题的过程，找到影响企业发展的“痛点”，找到现象背后的问题及原因，才能真正解决问题。这也正是“智慧才报”系统的关键价值——界定问题，解决问题。从界定制约企业发展的核心痛点出发，思考如何有效提升核心竞争力和发展效能。大数据的方式提高了人才决策的速度和有效性，减少未来用人方面的风险，确保人力及组织效能的产出。

预见：数智决策（3.0阶段）

如何预见？——关联。

以“组织与人才效能”为效标关联数据，判断未来的趋势，预测可能的变化，进而做出预警以及有针对性的解决方案。

效标关联效度是统计学一个术语，又称为效标效度、实证效度，指测验分数与效度标准之间的相关程度。效度标准简称效标（criterion），是衡量测验有效性的参照标准，是独立于测验之外，能够体现测验目的的标准。测验分数与效标之间的相关程度用相关系数表示，称为效度系数。效度系数越大，测验的效度越高。因此，能否找到真实的效标是进行效标关联效度分析的关键。

在组织层面，衡量经营质量、管理效率的经济指标有很多，如很多企业都会用到利润率、毛利率、净资产收益率等。我们认为，在数智化人才管理领域，应更关注 “组织与人才效能” 这一效标，也就是人效。所谓“人效”就是人均效率或人均效益的简称，指单位人数或单位人力成本创造的有效产出（有效产出一般指销售额、产值、利润额或净利润等）。从定义可以看出，“人效”指标综合考虑了产出规模、人数和人工成本等因素，平衡了企业短期冒进和长期可持续发展。很多财务指标可以直接衡量企业的人效情况，从企业内部管理视角来看，敬业度、管理人才晋升率和高潜人才流失率是驱动人效的关键衡量指标。将不同人力资源的数据，人才的数据，组织的数据和“人效”做关联，判断人效的趋势，预测未来人效的增长或减少。

“回到商业本质，回归管理原点”,这些来自商学院的话语像警钟一样，时刻告诫管理者不要被“黑天鹅”事件扰乱思路，不要轻易相信某些“风口” 现象真会被写进下一版教材，成为新理论。随着大数据、人工智能技术日臻成熟，机器或许能代替管理者做出更理性的决策，帮助企业适应复杂的环境。未来有多少管理理念、跨世经典、管理常识将会被颠覆?不论外部的市场环境如何，我们更应当着重讨论在逐渐成为管理时尚的人才数据分析形式中，什么能产生价值。