大数据应用于人力 预测性劳动力分析真的有用么
最近,人力资源专家、人力资源技术会议之父—Bill Kutik写了一篇文章《预测分析炒作》。在这篇文章中,他引用星座研究分析师Holger Mueller的说辞“这归结于当应用于大量有着不同数据视野的顾客时,这些模型是否真的有用。”
因此,当许多人力资源软件供应商光说说要预测“雇员离职风险”时,他们有多少人可以证明他们能说到做到以及他们的预测真的有用,你怎么能确保一个供应商所宣称的可以预测员工留任风险是有效的?你应当寻找什么?
自从2009年的经济衰退巅峰以来,美国每个职业空缺所对应的失业人口数量在稳定的下降,现在已经回到了衰退前的水平。再加上,美国劳工部的统计数据显示,企业不仅越来越难招到人,也越来越难留住人才。
因此,员工保留自然而然成为了大多数人力资源部门的关键任务。为了可以量化人员损耗的影响,许多人尝试把离职和商业影响联系起来。一份分析了48个独立研究的综合性研究中表明,离职真的对财务业绩、客户服务、劳动生产率和安全产出有影响。
更多的人尝试去通过估计直接成本和间接成本来量化离职的的影响。尽管分享了许多的观点,这个研究结果中关于成本和人员损耗的联系仍然有很大程度上的不同。因为考虑到的因素和作用也是多样化的。一个完整的核算需要超越雇佣和培训的范畴,包括分离,生产力和失去的知识。
在一个有着5000名免付加班费员工(例如,行政管理人员,经理主管人员,专业性的员工,计算机专业人员以及销售人员)的公司,有着10%的自愿离职流动率(比2014年行业中的额平均自愿离职率少了超过1%),尽管保守估计每年不必要的离职率可以转化为3000万美元的替代成本。
盈亏的底线可以被好的开支计划所改变,但是滥用的保留员工策略,例如,人力资源或者是经理们用来防止辞职所采用的方法:加薪,奖金或者是升职。当这些策略没有硬数据来支撑他们的话,结果将会十分有限,更糟糕的是,这些钱可能不必要的被用来挽留那些实际上并没有离职风险的人。36大数据
正如在文章中描述的那样,ConAGra食品公司创建了一个人力资源分析程序,使用数据来引导挽留策略的实施显示出了“地毯式轰炸和激光制导弹的区别”。人力资源将它的注意力聚焦并将钱花费到最有用的地方,而不是在整个公司采用挽留策略。如果你可以使用预测分析来准确的识别那些有离职风险的员工,尤其是表现出色的员工以及是关键角色的人,那么你就可以在保证生产力和绩效提升的同时,避免这些成本。在这种情况下,关键字是正确的。
首先,使用任何的预测模型,你需要有一种方法来证明你的预测是有效的。维西尔的数据科学家认定,一个分析若要有效,最少需要分析2至3年的数据(越多越好),它就像在某一时刻,父母对他们的孩子说的那样“你不去试一下,你怎么知道你不喜欢它呢?”或者在我们这一情形下,如果你没有做一个对于真实结果来说有效的预测,你怎么就知道这一预测是有用的呢?
第二,人们做决策的模式不能被归结为市场营销人员这么多年以来一直尝试去发掘的简单因素。它是“有着情感的数据”,并且为了发掘其内在模式需要去展搜寻尽可能多种类的信息来源。就像淘金一样,你搜索的范围越广,你越有可能找到隐藏的金块,也就像预测分析的洞察力一样。
第三,预测的准确性取决于用来建造模型的数据,例如,如果一个模型是基于一个公司的内在因素建立的,那么它就不一定适用于第二个公司。更具挑战的是,在同一个公司的一年和下一年相比之下,对于同一个模型也会同样发生上述情形。使用的方法应该考虑到这一动态性。
问题是如今大多数的“离职风险”预测分析能力都是在他们的初级阶段—他们都没有使用足够的数据来源在足够长的时间中被足够多的公司使用到足够多的员工身上。
验证一个“离职风险”预测分析技术
在维西尔,我们希望把我们自己的“离职风险”预测分析进行测试,为了做这个测试,我们把我们所有所知的关于预测分析的情况和匿名的数据放到我们的云平台上,一步一步的应用我们的“离职风险”预测分析技术。在做这的时候,我们发现维西尔在预测谁会在接下来的三个月中辞职时比猜测和直觉要精确8倍,如果你关注前100名有“离职风险”的员工时,会精确10倍。
通过在员工身上应用一段时间我们的机器学习,我们可以赋值一个“离职风险”分数并将它们从高到低进行排列。这些计算都是动态和即时的,因此当一个人力资源分析师,商业伙伴或者领导询问在一个特别的员工子群体(例如,指定了一个角色、情景、任期以及绩效水平)中谁有“离职风险”时,系统会基于最近适用于用户的数据自动的提供相关结果。
手里持有这些信息,人力资源可以采取行动来应对最脆弱的群体或者是那些准备离职的人。36大数据
尽管有炒作的嫌疑,预测分析将不会取代人类的干预:他们将不会告诉你一个清晰的行动方案,尤其是在处理那些有情感的数据时。
预测分析比关于谁将离职所包含的东西更多,它还包括为什么他们要离职。在许多放面,预测为什么离职比指名某个人更加有价值,因为它通过直击原因的根源来使人力资源采取深切的、精准的,长期的行动来降低离职率。
数据分析咨询请扫描二维码
《Python数据分析极简入门》 第2节 2 Pandas数据类型 Pandas 有两种自己独有的基本数据结构。需要注意的是,它固然有着两种数据 ...
2024-11-01《Python数据分析极简入门》 第2节 1 Pandas简介 说好开始学Python,怎么到了Pandas? 前面说过,既然定义为极简入门,我们只抓 ...
2024-10-31在当今数据驱动的世界中,数据科学与工程专业的重要性愈发凸显。无论是推动技术进步,还是在商业决策中提供精准分析,这一专业都 ...
2024-10-30在当今信息爆炸的时代,数据已成为企业决策和战略制定的核心资源。爬虫工程师因此成为数据获取和挖掘的关键角色。本文将详细介绍 ...
2024-10-30在当今数据驱动的世界中,数据分析是揭示商业洞察和推动决策的核心力量。选择合适的数据分析工具对于数据专业人士而言至关重要。 ...
2024-10-30能源企业在全球经济和环境保护双重压力下,正面临前所未有的挑战与机遇。数字化转型作为应对这些挑战的关键手段,正在深刻变革传 ...
2024-10-30近年来,随着数据科学的逐步发展,Python语言的使用率也越来越高,不仅可以做数据处理,网页开发,更是数据科学、机器学习、深度 ...
2024-10-30大数据分析师证书 针对不同知识,掌握程度的要求分为【领会】、【熟知】、【应用】三个级别,考生应按照不同知识要求进行学习。 ...
2024-10-30《Python数据分析极简入门》 附:Anaconda安装教程 注:分Windows系统下安装和MacOS系统安装 1. Windows系统下安装 第一步清华大 ...
2024-10-29拥抱数据分析的世界 - 成为一名数据分析工程师是一个充满挑战和机遇的职业选择。要成功地进入这个领域,你需要掌握一系列关键技 ...
2024-10-28降本增效:管理战略的关键 企业管理中的降本增效不仅是一项重要的战略举措,更是激发竞争力、提高盈利能力的关键。这一理念在当 ...
2024-10-28企业数字化是指利用数字技术和信息化手段,对企业的各个方面进行改造和优化,以提升生产效率、服务质量和市场竞争力的过程。实现 ...
2024-10-28数据科学专业毕业后,毕业生可以选择从事多种不同的岗位和领域。数据科学是一个快速发展且广泛应用的领域,毕业生在企业、学术界 ...
2024-10-28学习数据科学与大数据技术是当今职业发展中至关重要的一环。从基础到高级,以下是一些建议的课程路径: 基础课程: Python编程 ...
2024-10-28在信息技术和数据科学领域,数据架构师扮演着至关重要的角色。他们负责设计和管理企业中复杂的数据基础设施,以支持数据驱动的决 ...
2024-10-28进入21世纪以来,随着信息技术的迅猛发展,大数据已经成为全球最具影响力的技术之一,并成为企业数字化转型的核心驱动力。大数据 ...
2024-10-28随着科技的迅猛发展,数字化转型已成为现代企业保持竞争力和推动增长的关键战略之一。数字化不仅仅是技术的应用,它代表着一种全 ...
2024-10-28银行业正处于一个前所未有的数字化转型时期。在数字经济的驱动下,金融科技如大数据、人工智能、生物识别、物联网和云计算等技术 ...
2024-10-28数据分析可视化是一门艺术与科学相结合的技术,其主要目标是将复杂的数据变得更易于理解和分析。通过将数据以图表的形式呈现,我 ...
2024-10-28数据分析师在现代信息密集型的商业世界中扮演着至关重要的角色。他们通过专业的技能和敏锐的商业洞察力,帮助企业从大量数据中提 ...
2024-10-28