作 者:Ben Taylor aQhT*OT{Q
翻 译:杨冬 P,S!Z&!
来源:环球人力资源智库 (ID:ghrlib) "QfF]/:
BBC 曾有数据表明:未来 HR 有 90% 的可能性被人工智能取代。 937<:zo:
但有一种能力,是最不可取代的, QdZHIgh`i
就是根据数据做出决策的能力, AJ0Bb7
但这正是当前 HR 所缺少的。 /L,iF?7
1 大数据分析的进步,将激发洞见并驱动HR行动 ]mBlXE:Z
大数据分析的进步使得 HR 可以从尚未开发的数据中提取有意义的信息,并为组织更好地进行人力资源分析。 2wU,k(F_
例如,某人的某项技能在LinkedIn上被认可了 99 次,这意味着什么? D{]w+
问题的答案取决于数据分析。 "`K73M,c?9
因为我们不能仅仅提出个人的想法,我们需要根据数据做出决策,而这正是当前 HR 所缺少的。 ;|rFP
尽管计算机能够迅速且高效地整理数据,但“人力资源的数据相当麻烦”。 s/?(G L+Ae
所以大数据的真正作用是,利用那些我们此前从未利用过的、各种类型的数据。 O,@QGUoA
在 10 年之前,尝试对简历进行建模分析是一项令人沮丧且十分困难的任务,但如今“对那些提供数据服务的公司而言,这简直就是小儿科。 F[ ^ p~u{
2 人力资源有许多糟糕的数据 *[nS*D\:
有一个好消息是: <c`,fd8
当云计算能够实现“基础设施即服务”的今天, _z^&zuO
企业不再需要在硬件方面进行大量的投资, ^CwS'/fdN
也可以完成例如人力资源分析等重要的分析工作。 Z1H
但仍然有一个挑战: =w7k@[Bq
尽管不断提升的计算能力、与对信息筛选与排序的全新技术, >taT
V_,
有效解决了数据规模与分析效率的问题, yj,+7[)
但人力分析仍然面临着数据的“多样性”或“不一致性”, v]drDVJ
这使得人力资源有着许多我们从未见过的很糟糕的数据。 yaj1nq!*"
举个简历的例子: w2"]%WS %
在候选人的简历中几乎很难有完全相同的信息。 7<Ut/1$MI
而这一问题也同样出现在其他人力资源数据, n-9X<t|*?a
你会发现不一致性几乎无处不在,例如员工满意度调查与绩效评估。 DKQQZ`PF
还有一个让人头疼的是: 0} \;R5a<
数据是“结构化的”还是“非结构化的”。 1
xr mmK
我们将“结构化数据”比作Excel表格中的信息,每一列的表头定义了不同的数据元素; G* mLb1
而“非结构化数据”的则是诸如简历、视频、图片、音频记录等。 o,1Fzdh6(
结构化数据是可筛选的好用的,非结构化数据是不好批量操作的。 uN9.U _
但我们通常认为,非结构化的数据是有待结构化的。 arPqVMVr
因此,能将这些非结构化数据转化为结构化的可用格式的人,比如数据科学家或第三方服务商,就显得尤为重要。 :fG9p`
3 用 3 类数据驱动决策 "^pF2JI
作为个体,我们在人才筛选方面做的非常糟糕,而且长久以来都是如此。 5tbi};
解决这一现状的重要的方法是,HR通过更好地使用数据来做出更佳的聘用决策。 9OF(UFgS
当从一摞简历中筛选特定候选人的时候,提高效率最自然的方法是采用“阈值法”,但每个人所设计的“门槛”会千差万别。 (j}Wt8
例如, #|xj*+)H
也许某人可能会首先淘汰那些 GPA 低于 3.3 的候选人; ]=^NTm,
而另一个人可能会首先淘汰那些未能在求职信中提及所应聘企业名称的候选人。 z81`Lhg6
因此我们灵魂拷问一下: %cc<>Hi
有多少真正优秀的候选人,因为不了解撰写简历与求职信的方法, Wm58[;%LTw
而惨遭用人企业淘汰? 9hwn,=Vh)
此外,我们都倾向于聘用与我们自己相似的候选人。 9NC6q-2
这也是考虑使用算法的又一原因: j|% C?N
令你对候选人成功表现有着更加准确的预测。 `Oi6o[a
由于能够审查那些重要且与业绩相关的信息,同时忽略那些不重要的因素,大数据与人力资源分析往往能够带来更佳的预测结果。 n@e|PWu
数据分析主要为三类——描述性分析、预测性分析与规范性分析, $/i;UUd
我们以驾驶车辆躲避坑洼为例,来解释三者之间的主要区别。 Xo4K!U>TzZ
描述性分析是其中最容易的一类。 fl9J
描述性分析就像通过观察后视镜来驾驶汽车。 N'5!4JUI
“我在试图避让路上的坑,我在后视镜中看到了它,嗯,没错,它在那儿。” M\9p-%"L
描述性分析的典型特点就是这种事后的检验。 {u7_<G7
而预测性分析, EJrQ9"x&n
就像驾驶员在驶向坑洼时通过挡风玻璃估计它的位置, Q5v_^O<!
“这儿有一个,那儿也有一个,糟糕,我没办法避免,我还是没躲过去。” bF3}L=z
规范性分析,则是与前瞻性数据相关, NE$=R"<Gv
以及更为关键、必要地响应数据的行为。 7^8<[8
就像“没错,快要撞上了,但根据我对车辆系统的了解,我会做点不一样的事儿”, \h/aD1&g
然后避免撞击。 l< |)LDq~
我认为许多 HR 专业人员仍在使用描述性分析,一定要小心堆砌数据的坏处,小心“死于数据仪表盘。” r+l3J>:K
预测性分析是稍微难了一些,不过我们已经开始预测哪些候选人更有可能适应我们的文化,并拥有相应的能力。 q(@hYp#O"3
而对于规范性分析,我目前并未在HR领域看到运用这种分析的实例。 i3y>@$fRL\
一个假设的例子可能是运用“人员流失分析模型”对即将离职的员工进行预测。 'v3>"b
“我知道我即将失去一位员工,所以我打算做一些什么。” 9s6d+HhM
根据分析模型的预测结果, c/}bx52>u
为了保留那些可能存在离职风险的优秀员工, *}i.,4+y
HR 能够找到可能的方法与步骤。
F_%&,"$
我十分看好大数据与人力分析的潜在价值,除此之外,拯救与改善人力资源别无他法,所有的一切都应源于我们所接收并处理的数据。 XAr YmO
4 利用大数据分析,你有 4 层选择 r`'n3#O*
对那些期望利用大数据分析的人力资源部门,你有 4 层选择: 2:S
4M.j
第一层: “最佳”选项,同时也是成本最高且最为冒险的方式, ;-sF%c
是雇佣一位人力资源数据科学家。 Hb *&&
如果你聘请一位人力资源数据科学家,他们将会仔细研究你整个的系统,识别出那些你最有可能取得最大成功的机会,之后,他们便会立即着手,去搞定各种各样的问题。 &@D,|kHk
第二层:退一步聘用一位顾问。 "^iw {]~U
如果有些人只是想知道人力分析是怎么一回事,这也正是我最建议的方式。 bxg9T(Bj
顺便说一下,数据科学家提供顾问服务的费用大约是每小时 120~300 美元。 {Uu|NA87Cd
对顾问而言,他们所擅长的工作是参与进来,并快速的从所参与的所有项目中识别出真正具有价值的那些。 3>sA_
在此基础上,HR 便能借助这些反馈获得审批,从而集中资源推动相应的项目。 hI1}^;
第三层:拥有一位 HR 分析师员工。 |4FvPR[
HR分析师并不需要他们成为数据科学家,但他们理解统计分析并能够识别其中关键的内容。 *FUbKr0
第四层:最简单的方式,充分使用第三方服务商所提供的工具。 aV8]?E5G
大多数企业都处在不同的阶段, AUAJMS!m
也许有的企业已经有了 HR 分析师,甚至有的还有了自己的HR数据科学家, $'VFb=?XrK
尽管如此,对普通企业来说,聘用一位数据科学家仍然十分困难, wg,w;Gle
特别是那些做出聘用决策的人也不清楚他们真正需要什么。 <[GkhPfZ
最重要的是,招聘人员在面试数据科学家时也很难识别出哪些人真正合适,风险的确很大, -i?-Xj#%
可能你聘请了一位专家, |q\:3R_0
到一年之后才发现他可能并不合适且白白耗费了成本。 a2un[$Jq`
所以,对企业来说效率最高的,还是拥有自己的 HR 分析师, ]q@6&]9
未来,他们将成为企业中的关键人才, d1>Nn!m
未来,是人力资源实践与数据科学相融合的天下。 j kIgEF2d*