“大数据”时代的人力资源管理创新

大数据时代，理解数据、运用数据、相信数据，将成为企业发展的新动力，也是企业管理者迫切需要掌握的一项能力。当前全社会多领域正经受着大数据浪潮的洗礼，人力资源管理领域也无法置身事外。人，作为企业中动态变化的一大生产要素，具有很强的不确定性，对人进行描述与评价一直以来都是企业管理中的一大挑战。将“大数据”这一思想应用于人力资源管理领域，利用“大数据”的价值提升企业人力资源管理工作的效率，是大数据时代人力资源管理工作的一次革新。

人力资源管理中的大数据

人力资源管理中的“大数据”究竟包含哪些数据？从人才开发与培养角度加以分析，研究者认为可分为4个重要的维度：

原始数据：记录员工基本信息

所谓原始数据，主要是指那些能够真实反映员工自身素质的被数字化的“个人信息”。这些数据信息，就像是记录员工成长轨迹的时间轴，忠实的记录了员工各方面的原始能力情况，真实反映员工的个人素质，能够在人才招聘的过程中，给予人力资源管理部门提供客观的参考。具体而言，这类数据包括个人的基本信息，如年龄、学历信息、专业、基本技术技能水平、岗位工作时间、工作年限、岗位级别、班组、现任职务等。

能力数据：再现员工受训情况

原始数据记录的是员工从事劳动之前已经产生的，能够反映自身能力、素质的原始信息。这些数据能够在一定程度上反映出员工在进入新岗位之前的能力水平，但是却无法体现员工的动手能力，或者说无法准确反映出员工在当前阶段的实践能力。这种实践能力的获知，需要人力资源管理部门掌握能够对员工的劳动能力进行量化分析的能力数据。具体地说，包括员工培训经历、接受专业培训课程的时长、培训考核情况、解决问题时的效率、参与竞赛结果、奖惩情况等等。能力数据能够在人力资源管理部门考核员工的岗前培训效果等环节发挥巨大的作用，有助于让人力资源管理部门客观地了解员工的学习效果。

效率数据：展现员工工作效果

人力资源管理工作，除了员工招聘、进行工作考核外，了解员工入职后的工作情况，针对相关的情况制定人力资源的培训计划也是十分重要的内容。为准确了解员工日常的工作效率，科学地制定人力资源培训计划，人力资源管理部门需要了解能够客观反映员工工作效率的有关数据，这类数据主要包括工作任务完成效率、单项任务完成时间，甚至是坏件率、故障率等。

潜力数据：预示员工发展前途

在人力资源管理工作中，适时为企业发掘优秀人才也是一项十分重要的任务。要很好地完成这样一项任务，人力资源管理部门就需要考核能够反映员工发展潜力的潜力数据。这些潜力数据主要是指那些能够比较客观地反映出员工劳动效率的提升和劳动效果的提高，以及能够比较客观地反映员工劳动能力呈现出持续增长状态的数据，例如工作效率提升率、收入涨幅水平、职称提升频率、业绩提升率等。

人力资源管理大数据的挖掘

目前企业人力资源管理系统中的数据还远构不成“大”，要充分发挥“大数据”的应用价值，首先需要我们进一步挖掘数据，努力收集和分析尽可能多的数据。针对上述人力资源管理工作中所涵盖的4维度数据，在进行数据挖掘时应注意从这几个方面入手开展工作。

尊重事实基础上搜集

人才招聘是人力资源管理的第一步，要在这一环节便充分发挥“大数据”的价值，需要我们在日常工作中注意全面、广泛地搜集员工的各项真实数据信息。这些信息既包括员工所提交的各类个人资料所反映出的原始资料信息，也包括与这些信息相关联的，基于科学分析基础上得到的一些综合数据。这就要求人力资源部门的工作人员秉着“事无巨细”的原则，将所有可能搜集到的信息全部进行数据化处理，在意识上强化数据的全面性和广泛性，避免因主观判断而导致数据的遗漏或弱化。

预见性地积累数据

人力资源部门每天会面对各种各样的报表、大量的人员简历及统计数据，这些信息有助于做出更加理性的决策。传统的人力资源管理系统主要关注于人力资源规划、绩效、薪酬、招聘、培训及员工关系6大模块，随着不断地推广应用，这些模块也得到了日趋完善。如果说，传统人力资源管理是对人力资本的现状进行管控，那么，进行人力资源的规划与预测则是现代人力资源管理的一项重要职能。目前的信息管理系统，在预测企业未来的人力资源走势，预判员工的成长曲线、离职倾向等方面十分困难。借鉴“大数据”理念，结合企业自身发展战略目标和实际情况，从现有数据入手，制定科学、合理的大数据战略规划，不断汇集、整理、分析和挖掘各项人事业务及组织人事信息，不断探索人力资源管理系统的大数据管理，加强各类职能业务关系，用数据提升我们的管理“智慧”。

拓展获取信息的渠道

目前在高等教育中所流行的大规模网络公开课(MOOC)的教育模式可为企业的人力资源管理工作提供借鉴。MOOC是一种新兴在线学习平台，它一方面在更大范围内为有学习需求的人们提供了获取知识的机会，另一方面通过这个汇聚了众多学习者在平台上学习、使用，从而收集到更多学习者的行为数据，通过对群体行为的数据分析、找出规律，打造更好的在线平台，提高学习效率。企业可以利用在线培训，分析得出职工的培训需求，进而使培训工作变得更有针对性；开展在线能力测评，借助员工的业务能力、职场适应力、抗压力等各方面的评估结果，为职工本人提供有利建议，并应用于培训、选拔等多个环节。

利用大数据提升现代人力资源管理工作的效率，简单的说就是将人力资源管理工作的每一步都建立在对客观数据分析的基础上。通过对相关数据的分析和整理，为人力资源管理工作的开展提供数据依据，并根据数据结果科学制定人力资源管理策略，包括为推动人力资源管理工作持续进步而进行分析和预测。目前在大数据的应用过程中，大数据人才的紧缺是一个世界范围内的共性问题，为破解大数据时代的人才瓶颈，各国也正着手加快大数据相关人才的培养工作。在积极开展专业人才培养的同时，我们也看到了令大多数普通人感到高兴的趋势：一些全球顶尖的信息技术公司正致力于让对大数据的利用更多地走入寻常百姓生活。微软全球高级副总裁、大中华区董事长兼首席执行官贺乐斌表示：“微软大数据愿景是，希望基于标准化的产品，使所有人都能够在任何时间、任何地点利用数据，并更好地做出决策。任何人，只要他需要针对业务或日常生活做决策，就能够获取数据，并有工具帮他把这些数据变成有意义的数据，然后基于这些数据做出更好的决策而不需要其他人为他专门准备这些数据。”

案例1

让所有人员决策都有数据支持

在谷歌，人力资源部门被称为“People Operations”，简称“POPS”。POPS部门的核心是一项复杂的员工数据追踪计划，旨在通过数据分析更好地改善企业的人力资源管理。同时，谷歌还聘用社会科学家来对公司进行研究。例如，设计出更科学的薪酬福利计划。此外，社会科学家和人力资源团队组成PiLab（People Innovation Lab，即人力和创新实验室）团队，进行了数十项有关员工的实验，以期找出有关管理大型公司最好的方式。例如，POPS部门旗下“人员分析”（people analytics）团队通过数据分析精简了公司招聘流程。面对每天都需做出数以千计的人员相关决定――应该聘用哪些人员，应该给他们什么样的薪水，应该提升哪些员工，应该让哪些人离职等等，谷歌正试图在人员决策方面采取与工程决策相同的严格标准，让所有人员决策都有数据支持。

案例2

利用大数据搜寻潜在求职者

相比通过大型电子招聘平台和猎头招聘，“员工内推”是企业进行招聘时效果最佳的一种方式，省时、靠谱、费用低廉。但由于种种原因，一般企业的员工内推比例只占所有招聘职位的20%左右，甚至更低。利用员工关系网络进行人才推荐，是企业在进行招聘时效果最佳的一种方式。互联网时代，每个人都在网络上留下了大量的数据，其中包含着他的生活轨迹、社交言行等个人信息。人才雷达（Talent Radar）依靠对这些数据的分析，从个人的网上行为中剥离出他的兴趣图谱、性格画像、能力评估，帮助企业更高效的实现人岗匹配。人才雷达通过搜索引擎自动匹配和推荐用户社交网络中更加匹配所招岗位技能要求的人才，并依照契合度来进行推荐排序，每一位被系统列出的推荐者头像旁都会展现一个职业背景、专业影响力、好友匹配、性格匹配、职业倾向、工作地点、求职意愿信任关系、行为模式等9维的人才雷达图，以方便招聘官挑选。通过这9个维度的建模画像，人才雷达不仅能够在节省成本的前提下帮助企业提高人才招聘的效率。同时，与传统的猎头业务相比，其采用群体智慧的方式能够更广泛和客观地筛选人才，并且，由于其被动测量的方式也能在一定程度上避免直接面试时部分求职者的虚假表现，改变了传统人力资源管理中缺乏数据凭直觉与经验进行决策的不足。

案例3

新华社人力资源大数据实践

新华社围绕人力资源大数据进行了积极的尝试。一方面初步建成了以《全国组织人事管理信息系统信息结构与体系标准》为基础，涵盖在职、退休，调转、返聘、海外雇员、外籍专家等多类人员的人力资源数据库。数据内容包括全社各类人员的基本信息以及相关业务信息，人均信息项近400项，累计数据量达到百万级以上。与此同时，新华社还利用信息网络不断加强面向全体人员的信息在线采集以及在线业务办理，大大拓宽“数据”广度和维度，形成“以岗为点、以点结线、以线成网”的信息管理与服务平台。另一方面，基于人力资源大数据的分析与研判已成为新华社人事管理工作的一项重要参考，例如针对近年应届高校毕业生的招考趋势分析；派驻国境外分社人员报考意向分析；人才队伍建设总体情况分析等。

案例4

利用大数据进行学习行为分析

2013年以来，大规模网络公开课(MOOC)浪潮席卷美国的教育领域，这种新型的智能在线学习平台也成为高科技领域创新和投资的重点。普林斯顿、伯克利、杜克、香港理工等全世界30多所大学与著名的在线教育公司Coursera达成协议，通过其平台免费开放课程。如今这些学校的课程能够实现全球几十万人同步学习。分布在世界各地的学习者不仅可以在同一时间听取同一位老师的授课，还和在校生一样，做同样的作业、接受同样的评分和考试。一些学校看到了这种智能学习平台的价值和潜力，也开始投资兴建自己的独立平台。2012年5月，哈佛大学与麻省理工学院宣布投入6000万美元开发一个类似平台，并向全世界免费开放。2013年5月，我国的清华大学、北京大学、香港大学、香港科技大学、上海交通大学和复旦大学也先后加入MOOC平台，清华大学更于同年10月率先了中国第一个MOOC平台“学堂在线”。

MOOC，这一新兴在线学习平台与过去的重要区别在于：它颠覆了传统的教育模式，打破了大学围墙。世界范围内的任何人只要有电脑上网，就能够享有世界一流大学的教育。它为地球上各个角落的普通人提供了接受良好教育、实现梦想的可能。另一重要区别，在于其增加了行为评价和学习诱导的成分。向全世界的大学和学习者免费开放，让最多的学习者在平台上学习、使用，就可以收集到最多的数据，从而研究世界各国学习者的行为模式、打造更好的在线平台。例如，通过记录鼠标的点击，可以研究学习者的活动轨迹，发现不同的人对不同的知识点有何不同的反应，用了多少时间，哪些知识点需要重复或强调，哪种陈述方式或学习工具最有效。记录单个个体行为的数据似乎是杂乱无章的，但当数据累积到一定程度时，群体的行为就会在数据上呈现一种秩序和规律。通过分析这种秩序和规律，未来的在线学习平台才能弥补没有老师面对面交流指导的不足。

案例5

利用大数据筛选目标人群

在华东师范大学，一名女生因为减肥，5月份的饭卡消费较少，没想到竟然收到一条系统短信：“同学你好，发现你上个月餐饮消费较少，不知是否有经济困难？如有困难，可电话、短信或邮件我。如无困难，也请回复一下，以便下月不再重复问询。”这个消息来自学校的困难生预警系统，这一学生餐饮预警系统是华东师大勤助中心预警系统的模块之一，它对学生的餐饮消费数据进行统计分析，如果低于全校学生每顿饭消费均额的60%，这些同学就会进入进一步核查的名单。在经系统挖掘出一部分可疑的信息之后，学校还将通过人工进行精确的分析和考察。包括院系老师、学生本身、身边同学，最后再到干预和关注的过程。华东师大勤助中心的预警系统通过分析行为数据，而让对象选择更具有精准性，是在数据挖掘和数据使用上的一次有意义的尝试。该餐饮预警系统于2011年试运行，2012年9月正式运行至今预警人次已经达到200多人，21名学生从中受益。