作 者丨Pylin Chuapetcharasopon，加拿大waterloo工业与组织心理学博士翻 

译丨杨冬，GHR环球人力资源智库签约作者，汉能全球人力资源总部OD高级经理，南开大学MBA

在此之前，我们发布了一系列文章讨论人力分析的趋势，也介绍了人力分析相关模型。

有不少读者私信我们，说还没太搞懂人力分析对组织究竟能产生多大的价值。

今天，我们将以IBM和沃尔玛为例，来探讨一下人力分析究竟能够如何帮助我们？

首先先简单回顾一下什么是人力分析和人力分析一定会用到的“大”数据。

什么是人力分析？

根据于组织中不同的侧重，“人力分析”可以用于描述许多工作。

例如，它同时也被称作劳动力分析、人才分析与人力资源分析。

根据我的观察，一些创新企业更倾向于用“人力分析（People Analytics）”替代“人力资源分析（HR Analytics）”，

因为“人力资源”的说法似乎暗示了守旧与过时。

但这些不同的术语共同的核心是：

通过更具战略性的方式运用人力（例如员工）相关数据，

以做出对业务富有影响力、有效促进组织绩效的决策。

人力分析背后的主要逻辑是，

将科学性与精确性引入人力资源管理——

这个在传统组织中最为感性、最依赖于直觉的部门。

由于组织需要不断进化以确保持续的竞争优势，因而它们需要明确看到人力资源管理实践的投资回报率。

人力分析正是满足这一需求的有力工具，分析团队为人力资源业务伙伴或人力资源领导者提供了决策佐证与真实客观的数据，令他们在与最高领导团队沟通时更具影响力。

什么是“大”数据？

由于都涉及到数据收集、运用数据以解决问题，人力分析与“大”数据有着显著的联系，但为什么我会在大字上加上引号？

原因是，尽管一些企业宣称正在运用大数据分析，但从技术角度来说，能够被称作大数据的，都应符合下面4个基本特征，以下是大数据的“4V”特征：

数据规模—大数据中的“大”代表着数据规模。

但什么才能称作“大”呢？

根据会议的讨论，对大数据的正式标准是，

需要有达到TB/PB级别的数据。

如果我们来看单纯的员工数字，以沃尔玛为例，它在全球范围内拥有220万名雇员。

设想一下包含每一位员工全维度的人力资源数据，你很快就能想象到沃尔玛是如何处理大数据的。

数据流转—数据产生与数据收集的速度。

过去，人力资源数据在一年中通常仅做一次或几次收集，

例如，在入职时企业将会收集员工性别、年龄、教育经历等数据，

之后伴随敬业度调研，员工还会填写相应的表格。

在这一维度的另一面，大数据对日常工作中每一秒产生的实时数据进行处理。

例如在每个交易时段，纽交所都会产生约1TB的交易信息。

但人力资源未来主义者看来，

或许未来将能通过员工佩戴的可穿戴智能设备，

了解员工的压力水平并对他们的行为进行实时的记录。

数据类型—数据格式与数据来源的多样性。

员工数据并不局限于如性别、年龄、教育经历等人口统计数据，

还会包含薪酬数据、绩效数据、评估数据、入职行为等数据，

此外还可以包含一些新型的数据，例如来自组织内部博客与社交网络的文本分析等。

数据精确性—数据的不确定性。

我们已经知晓，如果无效或错误数据进入系统，其分析结果也会是无效或者质量低下的——“垃圾进去，垃圾出来”。

不难想象，对于拥有海量规模、快速流转与多种格式来源的数据，其精确性就更加重要了。

例如，尽管拥有更加丰富的数据，

但同时也意味着我们会遇到更多的噪音与不稳定的数据质量，

这都需要积极主动的管理与数据治理。

因此，有了对大数据4V特征的概念，

我们便会发现一些机构的数据分析职能或许还远未达到大数据的严格标准，

但无论冠以怎样的标签，

企业将人力资源/劳动力/人才/人力分析与大数据相结合的核心，

仍然是通过运用数据分析以产生人力资源洞见，

并助力人力资源的有关决策。

这不就是循证管理吗？

循证管理意味着通过对证据、信息、数据的使用与进一步的评估来进行管理决策，而非依赖于过往经验、预感、传统或从其他组织生搬硬套的最佳实践。

以下是由循证管理中心提出的循证管理六步法：

• 询问（Asking）：将实践议题或问题翻译成能够被回答的问题

• 获取（Acquiring）：系统的搜寻与检索证据

• 评估（Appraising）：仔细评估证据的可靠性与相关性

• 整合（Aggregating）：权衡并将证据集中在一起

• 应用（Applying）：将证据纳入决策流程

• 评估（Assessing）：评估决策实施的结果

这也正是会议中I/O心理学家所描述大数据与人力分析的真实过程。

在不同的会议中，多位演讲者反复强调，在数据分析之前，首先应当考虑业务问题。

遵循这一步骤，在理论基础上的循证管理与人力分析得以自上而下的解决人力资源问题。

然而，根据管理者管理数据的方式，对这一问题的回答也有可能是“不”。

起初，由于对数据本身与模式的识别优先于组织问题，

因而严格的数据挖掘、机器学习以及通用数据探索并没有理论可寻，

也并没需要解答的问题。

我认为，这样运用分析的方式不是循证管理；

但如果数据模式得以识别并形成了有待解答的问题，

同时推动了对观点的系统性检验（在理想情况下进行了恰当的试验设计），

我们便又回到了循证管理的领域。

可以说，人力分析作为二十一世纪10年代的流行词汇，正是上一个十年流行词汇——循证管理的延续。

人力分析能为哪些事情提供帮助？

一旦拥有数据，就可以为任何事情提供帮助。

下面所列举的例子，只是通过数据分析取得人力资源洞见并解决组织问题的冰山一角：

雇主品牌—我们是最佳雇主吗？

在不同教育背景的毕业生眼中，我们有着怎样的标签？

在不同的大学中，对于我们的组织，学生们有何了解？

人才管理—新员工为何会选择离职？

通常发生在什么时间？

为什么一些高潜人才会面临“玻璃天花板”？

为何相对大多数部门，一些业务条线会出现更多高绩效员工的流失？

劳动力细分—在市场营销中，

客户市场细分的概念已经广为人知，

根据客户需求、兴趣、偏好等不同属性将市场划分为不同的部分，

并有针对性的制定各自的战略。

与之相似，劳动力细分则根据劳动力或员工的不同特征，将其划分为不同的部分，并相应制定独立的招聘、生产力提升、人才发展与人才保留策略。

实时的KPI监控。

对项目进行评估——例如，评估企业校园招聘的有效性。

人才画像——高层领导者与高潜人才应具有的特质、技能、个性与经验分别是哪些？

薪酬福利的投资回报率分析。

看看沃尔玛的例子：

沃尔玛雇佣夜班的库存上料员，在所有其他条件相当的情况下，

仅仅根据员工的就业偏好，你如何对候选人进行挑选？

一位候选人声称他没有任何偏好，可以接受7天24小时任意时间段的排班；

另一位候选人则表示希望在晚上工作；

直觉上，我们可能会有谁更适合这一职位的判断，但数据是什么样的？

沃尔玛数据显示，在夜班上料员这一职位上，

表示更希望上夜班员工的离职率反而更高！

看看IBM的例子：

IBM的首席人力资源管得到提示，根据内部沟通系统的分析，

一项招致员工不满并引起热议的事情是，

IBM并未就员工因业务需要使用共享出行交通工具的费用予以报销。

起初，基于法务与安全性（例如潜在的绑架风险）的考虑，法务团队禁止员工使用共享出行服务。

然而，在员工看来，像IBM这样的高科技企业禁止员工使用类似服务是一件无法理解的事。

此外，共享出行（有时）会比出租车更便宜，而且有时是员工能够前往客户处的唯一方式。

在知晓这一情况以后，首席人力资源官决定取消这一限制，这一问题也得以迅速解决。

不难想象，当员工发现CHRO甚至会知道这些微不足道小事并且快速有效的解决时，他们有多么的惊讶。

这都归功于IBM对其内部交流工具进行文本数据的监控与分析，才能快速的响应员工的需求。

总体而言，人力分析的收益包括：

运用分析会显著促进决策制定，降低/最小化风险，并发掘原本可能被忽视的卓越洞见。

对事件的实时监控与预测也将对业务表现带来积极的影响。

SIOP（工业与组织心理学学会）会议上提出了人力分析的诸多组成部分，

我以图片的形式将这些人力分析的不同部分、流程与利益相关方归纳如下：

在我们了解了人力分析是什么以及对组织有何益处之后，以后的文章中我们将就以下问题展开讨论：

• 组织的数据成熟度水平

• 提出有关分析的问题

• 信息收集、整理、分析与可视化

• 人力分析团队：个体与团队技能的构建

• 利益相关方管理

• 数据治理

以及最终的，对人力资源分析师及团队领导者而言，如何迎接人力分析挑战的实践经验分享。