大数据为何走不进人力资源管理
当各行各业都在进行“大数据”升级时,HR能不能推动大数据走入人力资源管理呢?答案是:很难!
Managershare:大数据是现在的一个热门词,各行各业都想办法要融入大数据,人力资源管理也不例外。但要怎么玩却不是件简单的事。首先,应该把人数据化,清楚地知道“人是怎样的”。只有当HR用大数据把人力资源管理的大未来实现时,人力资源管理才将真正迎来下一站的“云时代”!
“博士,我们需要一个关于大数据(big data)人力资源管理的讲座!”这是2014年开年以来,我听到来自500强HR们的新需求,同时这也在所有需求中排名前Top3。是呀,大数据的魅力已经无需证明!渴望改变的HR们又怎么会放弃这样一个“杀手级”利器?
大数据的HRM大未来
大数据是什么?简单来说,大数据就是大量的数据,其具有4V的特点:Volume(大量)、Velocity(高速产生)、Variety(多样性)、veracity(真实性)。进一步看,就是在某些领域通过传感器和屏幕等入口自动高速产生了大量、多样的数据,这些数据辅以合理的算法和强大的云计算能力,能够告诉你这些领域的一切信息!
大数据不仅是数据量的庞大,其更是一种数据产生和处理的模式。由于是自动提取,保证数据源充分;由于是即时产生和处理,保证随时刷新;由于是全貌数据,保证永远不会出错。所以,这种模式在大多数领域都能够精准地指示资源分配。
人力资源管理是关于分配人和相关资源(培养、激励资源)的工作,如果借助大数据,将人和其他资源数据化,再用算法进行匹配,显然有无限的想象空间。其实,通过大数据实现资源的“可扩展获得”,提升资源的利用效率,也正是我在2011年提出的“人力资源云转型”。
具体怎么玩呢?
首先,应该把人数据化,清楚地知道“人是怎样的”,这包括,他的能力如何?行为特征如何?绩效表现如何?
基于这一基础,人力资源管理各大职能就能够显著提高效率。
在调配领域,如果将岗位数据化,明确每个岗位需要什么样的人,岂不是可以从容地招聘、调用企业内的闲置人员跨界协作?每个岗位都有最适合的人员,成本最低,效用最大。
进一步看,组织机构、业务流程、岗位系统不再成为员工释放能力的边界,员工还能跨岗位担纲其他角色,以网络化的方式无边界协作,进一步将人用到极致,将人工成本投产比放到最大。
在培养领域,如果将培训资源(培训内容、形式等)数据化,岂不是可以从容地组织、推送员工最需要的培训支持?每个人获得的培训都是高度定制化的、自己最需要的,且学来能用,用来能好,从学习到实践产出的过程几乎没有损耗。
在激励领域,如果将激励资源数据化,岂不是可以从容地推送各类激励套餐?每个人获得的激励都是高度定制化的、自己最需要的,同样的成本支出,每个人对于全面薪酬的感知可以放大到极限。
HR可能误会了大数据
事实上,专业一点的HR都玩数据,他们测试胜任力,评估岗位,考核绩效,利用数据进行决策。我也非常推崇这样的玩法,认为HR要用数据分析来为自己的岗位建立“技术刚性”。但不得不遗憾地说,这些玩法不是大数据。
从字面上理解,大数据的关键在于数据量庞大。涂子沛在《大数据》一书中有个定义,即指一般软件工具难以捕捉、管理和分析的大容量数据,数据量大到以“太字节(TB)”为单位。太字节是多大?1TB=1024GB。
一个万人的企业,即使你把胜任力、绩效、岗位、SOP等传统数据完全纳入,顶多只能用“吉字节(GB)”为单位,离“太字节”的体量还是相差甚远。
HR们以为数据量已经足够庞大,难以处理。实际上,这种数据量通过本地软件的计算能力(甚至直接用excel表)就可以解决,根本不需要运用到互联网上的云计算,这些显然不是大数据。
为何会达不到大数据的体量?关键还在于HR对于数据的理解,HR采集数据的传统思路是“先有思考框架,再收集相应数据”,数据大多来自数据生成之后,才用报表要求基层有选择地逐级上报,这大大损耗了数据量。
例如,考核某个员工的绩效,HR会在其工作完成之后才要求直线经理根据考核指标进行数据收集,而后计算汇总,最后上报人力资源部。
这种思路使得传统数据具有典型的“非大数据特征”,这大大制约了数据的威力。
其一,这些传统数据是“冷备份”而非“热备份”。
冷备份即生成之后再调用,成本极高,收集数据的过程已经让HR苦不堪言,他们需要不断催告业务部门,还要一遍一遍地付出教育成本,确保统计口径统一。
热备份则是数据随着工作流无意识产生,只要员工开展工作,自然有数据往“云平台”上跑,而且这些数据也能被平台的计算功能即时处理。
其二,这些数据是“报表数据”而非“源数据”。
报表数据是经过处理后的数据,例如某餐饮企业里,员工某天接待顾客的数量。而源数据则是指未经过处理的数据,是对于工作流全面的呈现。
同样用餐饮企业的例子,员工在某个具体时点接待了一个多大年龄的顾客(很大程度上意味着服务难度),客单价多少,接待时长多少,提供服务次数……员工A某天服务顾客数可能是员工B的两倍,如果我们仅仅关注这个报表数据,就可能得出A绩效优于B的结论。
但如果关注源数据就有可能发现,B服务每个顾客的接待时长是A的三倍,为每个顾客提供的服务次数是A的两倍……这些都是有价值的信息!NBA球队休斯顿火箭队的总经理莫雷正是基于这些源数据的分析,从低顺位(选秀时靠后的选秀机会)中选出了那些被报表数据淹没的高潜质球员。
其三,这些数据是“样本”而非“全貌”。
由于是在某个时点上针对某些领域提取数据,数据仅仅是样本,而非全貌。只要是样本,就有可能出现偏差。例如,有的咨询公司在为企业进行敬业度调查时,采用了采样方式,即使样本特别庞大,这也不是大数据。这种情况下,可能有抽样偏差,员工可能被问卷带着走,被访谈的气氛诱导,尽管我们可以通过各类技术去减少这些干扰。
但是,如果他们在论坛、微博、微信等社交工具上对所有员工的发言进行关键词的抓取和分析,甚至对于员工的行为进行各种分析(如早到时间、加班时间、协作次数、申请培训数量等),那才是大数据。这种情况下,几乎不可能出现偏差。
跨不过的坎
明白了大数据的思路,HR能不能推动企业走入大数据人力资源管理呢?
据我的观察,很难!这绝不是因为硬件的制约,事实上,在传感器和屏幕遍布的今天,不少企业在硬件上已经具备了吸纳数据的可能,有些企业也将数据吸纳到了生产信息系统上。我们要思考的是,这些数据为何进入不了人力资源管理信息系统?
这主要是因为三方面的原因:
第一是部门博弈问题。
业务部门将生产数据导入人力资源管理信息系统,对于人力资源管理的效率无疑是一个利好,但对于部门来说,意味着权力空间被挤占。
以前部门争取机构、编制、人员都可以保留一定的裕度,可以和HR们谈判,但导入大数据之后,他们几乎变成透明的,显然是弊大于利!我调研的一个企业,HR意图建立大数据云平台,这意味着几个生产信息系统要与人力资源管理信息系统整合,但业务部门的领导却以安全性为由拒绝了HR的要求。
第二是HR的恐惧。
要打篮球的人去踢足球,他们不会愿意。面对庞大的数据,HR们对于数据的处理能力决定了他们的地位。尽管前景广阔到可以让他们成为企业内的“上帝”,但这种角色的转换也让他们不安,与其如此,还不如将工作范围保留在自己的“安全区域”。
第三是领导思路问题。
当前,国内企业,甚至国外企业,重视数据的老板不多。即使在大数据如火如荼的今天,老板们办公桌都摆上了一本《大数据》,他们内心深处依然是传统玩法。即使在最前沿的互联网行业,也有凡客这样因为不玩数据而使供应链失控的企业。
这也难怪,他们过去的成功本来就不是靠数据,所以,他们的企业没有数据基因也正常,他们想象不出大数据的威力,就如同你无法向地上的猛兽描述天空的精彩。
这些企业中,一线的业务尚且不玩数据,更何况二线的人力资源管理?但是,部门博弈和HR的恐惧偏偏需要一个强势的老板来做顶层设计,如同亚马逊偏执狂一般的贝佐斯。
所以,大数据才会走不进人力资源管理。从这个意义上说,本文开头那些主动拥抱大数据的500强的HR们不愧是业界先锋,也许,只有当他们用大数据把人力资源管理的大未来实现时,人力资源管理才将真正迎来下一站的“云时代“。
数据分析咨询请扫描二维码
数据分析需要学习的内容非常广泛,涵盖了从理论知识到实际技能的多个方面。以下是数据分析所需学习的主要内容: 数学和统计学 ...
2024-11-24数据分析师需要具备一系列多方面的技能和能力,以应对复杂的数据分析任务和业务需求。以下是数据分析师所需的主要能力: 统计 ...
2024-11-24数据分析师需要学习的课程内容非常广泛,涵盖了从基础理论到实际应用的多个方面。以下是根据我搜索到的资料整理出的数据分析师需 ...
2024-11-24《Python数据分析极简入门》 第2节 6 Pandas合并连接 在pandas中,有多种方法可以合并和拼接数据。常见的方法包括append()、conc ...
2024-11-24《Python数据分析极简入门》 第2节 5 Pandas数学计算 importpandasaspdd=np.array([[81,&n ...
2024-11-23数据分析涉及多个方面的学习,包括理论知识和实践技能。以下是数据分析需要学习的主要方面: 基础知识: 数据分析的基本概念 ...
2024-11-22数据分析适合在多个单位工作,包括但不限于以下领域: 金融行业:金融行业对数据分析人才的需求非常大,数据分析师可以从事经 ...
2024-11-22数据分析是一种涉及从大量数据中提取有用信息和洞察力的过程。其工作内容主要包括以下几个方面: 数据收集与整理:数据分析师 ...
2024-11-22数据分析师需要掌握多种技能,以确保能够有效地处理和分析数据,并为业务决策提供支持。以下是数据分析师需要掌握的主要技能: ...
2024-11-22数据开发和数据分析是两个密切相关但又有所区别的领域。以下是它们的主要区别: 定义和目标: 数据开发:数据开发涉及数据的 ...
2024-11-22数据架构师是负责设计和管理企业数据架构的关键角色,其职责涵盖了多个方面,包括数据治理、数据模型设计、数据仓库构建、数据安 ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列的技能和能力,以确保能够有效地处理、分析和解释数据,从而支持业务决策。以下是数据分析师所需的主要 ...
2024-11-22需求持续增长 - 未来数据分析师需求将持续上升,企业对数据驱动决策的依赖加深。 - 预测到2025年,中国将需要高达220万的数据人 ...
2024-11-22《Python数据分析极简入门》 第2节 4 Pandas条件查询 在pandas中,可以使用条件筛选来选择满足特定条件的数据 importpanda ...
2024-11-22数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21数据分析是一项通过收集、整理和解释数据来发现有用信息的过程,它在现代社会中具有广泛的应用和重要性。数据分析能够帮助人们更 ...
2024-11-21