作者：郭雨琛
来源：盖雅学苑
站在2024，新技术层出不穷，其中影响力较大的AI、大数据、虚拟现实等也已经纷纷从理想照进现实。
如AI在经过近 10 年的实践探索后，其细分领域AIGC、机器视觉、以及基于自然语言处理( Natural Language Processing, 简称NLP)的对话机器人均在HR领域有实践。
大数据技术则是在数据可视化较为普及，在数据模型上也初见成效，虚拟现实则通过AR/VR设备在培训和招聘领域拥有一席之地。此外机器人流程自动化（Robotic process automation，简称RPA）普及程度也较高。
上述前沿技术均已在HR领域带来了新的工作体验，从效能提升的视角来看彼此也各有千秋，但站在当前以提升组织效能为首要目标的时代，只有数据是核心变革技术。
如何用大数据思维
让HR的“小数据”赋能企业经营
首先，我们看一下大数据得到充分应用的前置条件。
大数据的定义是对海量数据的收集、存储、处理和分析，以发现其中的规律、趋势和关联性，挖掘出隐藏的信息和知识以支持决策和行动，从而帮助人们更好地理解和解决问题。
即将“数据”通过收集→存储→处理→分析这个过程，转化为解决方案并直观地呈现给用户。
接下来看看大数据应用充分的场景有哪些共性：
综上可以推断，想要充分应用大数据的前置条件是：
1）海量数据且可自由流通
2）对结果有显著影响的因素均较为客观且便于调节
反观HR数据，是不满足这个前提条件的。
这也是为什么说，HR领域的数据都是“小数据”。
首先在收集环节，HR数据量量小且不能自由流通，尤其不能跨公司流动。
其次分析环节，每次管理动作产生的结果会受社会大环境、企业文化、员工敬业度等主观因素显著影响，几乎不能通过数据试验来验证猜想。
纯从数学层面来看，HR数据的特征往往不充分，也因此大数据的价值在HR领域不会体现的很充分，更多的是起辅助作用，需要结合HR的主观判断来定位和解决问题。
既然大数据在HR领域提供的不是解决方案，其价值到底体现在哪里呢？
如何借用大数据思维，让HR领域的“小数据”也能发挥价值？
大数据技术在HR领域的核心价值是：有效提高了HR的精细化管理水平。
由表及里在三个维度有所体现：
1）数据可视化：通过可视化技术帮助理解和沟通，基于数据决策管理动作；
2）全局视角：整合HR领域内所有颗粒度的业务数据进行交叉分析，并逐步与财务/销售/制造的数据对接，拓展洞察维度；
3）模型化：使用合适的模型理解过去，为HR提供现状诊断和未来趋势判断的建议。
上述场景也协助HR真正地站在了经营视角工作，即依托同一套数据保持信息一致并进行有效协同，发现并解决问题，从而在组织、人才、流程、运营等维度提升组织效能，支撑企业战略目标分解和落地。
图源/pexels
HR数据如何赋能经营
接下来，我们通过实例看看如何运用大数据思维，让HR数据赋能企业经营。
1. 人效分析
人效分析的核心是将代表产出的指标（以下简称A）与所投入的人工成本挂上钩。
在不同类型的一线部门A所指代的意义不同但都直观体现价值：
在销售部门A是销售额、利润等，在生产部门A是产量（如制造部门A是零件产量，物流部门A是交付量，内容部门A是播放/订阅等），而中台后部门价值目标不明显，但可以按照产品线将人工成本拆分，从而将指标A、人工成本、产品线串联起来，帮助HR站在经营的视角分析。
以纯线上业务的互联网企业为例，人效=各产品线的销售额/各产品线的总人工成本，其中销售额可从CRM系统中获取，总人工成本则需要折算，即：
所以，我们初步要看需要如下这些数据：
1. CRM提供“销售额-产品线-员工(销售)”之间的对应关系；
2. 工时系统/WFM系统提供“员工(中后台)-产品线-工时占比” 之间的对应关系；
3. HR系统提供“员工-组织-序列-职级-全面薪酬(TTP)”的对应关系
通过大数据技术，可将上述数据源整合出：基于产品线的、管理颗粒度精确到人的、时间维度精确到天的，各要素间完整的对应关系。即“时间-产品线-人效-销售额-销售总人工成本-研发总人工成本-管理总人工成本-其他基础信息”的数据结构。
基于此可完整实时地呈现出各产品线人效随时间的变化趋势，帮助HR站在经营的视角分析。
在大数据技术应用之前，上述数据呈现全部为线下手工制作，受制于颗粒度和统计口径，及时性和准确性均难以保证。
图源/pexels
对于HR来说，还可针对人工成本做更深度分析来体现专业价值，例如：
1）分析流动性和招聘节奏是否合适。
如在职平均成本近3个月同比有持续走高的趋势，可能是因为新人薪酬的平均渗透率偏高；人效降低，可能是近一个月新人入职太多导致培训资源跟不上、或者高绩效销售员工离职比例偏高等等。
2）根据投入工时的变化，分析人数、配比、管理幅度是否合理。
如分析各产品线中产品：研发，销售：销售支持，产品：运营等配比是否合理、管理幅度是否太小导致高职级资源投入偏高等等；
3）根据人效提升目标，调整激励政策、绩效考核方法和培训计划。
如基于新人入职后6个月需要达到人均销售额的目标制定新人训计划和导师制激励政策、提高交付的激励权重同时降低线索的权重促进一线提升转化率等等。
2. 人才供应链
人才供应链即关键人才的来源及去向、培养/招聘成本、平均任职时间、以及梯队储备。
从HR业务视角来看，核心关注的有三点：识别关键人才，定义关键岗位所需能力，转化为岗位胜任力模型；关注人岗匹配情况，并及时了解各岗位的梯队储备；真正的竞对有哪些，我们如何针对性地保留和吸引关键人才。
大数据可有效提升上述业务的管理精细度和管理范围：
1）初步识别传统技术之外的关键人才。
应用大数据技术可基于IM提供的沟通记录识别出关键沟通节点，还能基于人效数据做另一个维度的识别（如高人效个人或同时参与多个复杂项目的个人），为HR业务提供传统技术（如基于部门负责人、职级、高绩效等标签筛选）之外的参考。
2）协助建立岗位胜任力模型，并基于知识图谱能力，将岗位胜任力转为算法模型进而串联整个人才发展体系。
传统的岗位胜任力模型，是由OD基于职位评估识别出的关键影响因素再结合任职资格定义出来的，通常一个岗位就需要数日的；且几家咨询公司的方法论也较稳健，缺少企业特色和市场上新出现的能力要求。大数据技术则可基于行业数据加速定义关键岗位的过程并能较快地识别新出现的能力要求。
图/知识图谱示例
基于知识图谱能力将胜任力模型拆解为标签体系（不是一堆散乱的标签，而是具备相关性和权重的有机体），结合HR业务提供的自定义标签，我们可以建设具有企业特色的胜任模型算法，并运用在人才管理体系中。
简历筛选和面试环节时，可基于图文识别、NLP、微表情技术等解析出的信息实时生成人选的评分和评价，做到智能简历推荐、AI初筛以及面试过程中的实时提醒；
上述评价结果在经过面试官和招聘经理校正后，形成标签反馈给算法，将作为培训系统和绩效系统的输入；
培训系统依托同样的胜任力模型算法，在系统中搭建能力维度与培训内容的对应关系，则可基于上述评价结果在人选入职后为其推送定制的学习计划；
绩效系统依托同样的算法和培训系统的输入，则可给HR业务提供更多维度的参考，绩效结果也将反馈给算法，提升简历筛选的准确性。
至此形成闭环，算法也将随着应用的普及不断进行自适应调整。
3）扩大人才梯队管理颗粒度。
关键人才管理需要整合基于时间的组织、人员、职务、招聘、入转调离、绩效、继任者等多维度数据。
在大数据技术应用之前，这些都需要纯手工整合数据后再进行分析呈现，考虑到HR数据的敏感性只有少数人才能参与其中，因此企业大致只能保证数十个关键岗位的日常运营，非常费事费力。
在完成胜任力算法模型的建模后，将由算法自动进行识别和筛选，不仅可节省大量的人工操作，理论上各层级的关键岗位均可被识别、几乎全员都可以纳入筛选范围。而HR业务则能聚焦在分析和呈现上。
此外，腾出手的HR业务还能基于关键人才的来源与去向，去准确定位企业真正的竞争对手而不是漫天撒网，在节省企业资源的同时也能针对性地制定薪酬策略来保留和吸引人才。也可基于平均任职时间与招聘成本/培养成本的关系，调整关键人员获取途径。
图源/pexels
总之，在数字化时代，HR的角色和职责都会发生变化，本文主要探讨如何利用新技术来提高组织的绩效和竞争力，期望各位读者都能引领自己的组织走向成功。
