 |
楼主(阅：62854041/回：0)文跃然：掌握这5种人力管理范式的人，将走得更远【下】
三、数据驱动的人力资源管理的范式 如果我们想用数据驱动的人力资源系统帮助企业提升竞争优势，其研究的范式应该是怎样的？ 1.科学范围与解谜 我们先来了解一下，什么是范式？说范式一定会说到托马斯.塞缪尔.库恩的《科学革命的结构》这本著作。据说在哈佛大学图书馆被借阅次数最多的，多年排在第一位的，就是这本著作。这本书主要讲了科学革命的范式，并且定义了范式的两个特点。 首先是解谜：存在的问题要去解决。比如说，用数据分析法能不能分析未来的趋势，这是一个谜。范式是要用来解谜的，有困惑的地方就有范式。 其次，很多人跟着你解谜：能吸引一大批坚定的拥护者。它是一个学术群体。譬如，学生写文章，都要跟随孙健敏老师的特征，这就是跟随者，很多人跟着这个方式走，就会成为范式，会成为很多人的职业，会成为很多人的思维方法。 2.范式的重要性 范式有多重要？在我看来，我们看任何世界都是假设性的范式，是假设它、验证它到底对不对。用数据驱动人力资源管理的范式是这样的公式，首先知道商业问题，然后寻找大数据解决方法，两者合到一起等于High Performance（高性能）。我有很多困惑的问题，这些问题能不能用AI的方式来解决从而达到高绩效？AI包括一些基本算法和算力，要有数据，算法要非常好，现在算法已经不是大问题了。 （1）范式1：人员分析七支柱 我看了很多有关范式的书，比如人员分析七支柱范式。我给研究生上课的时候，有一位学生问：“为什么互联网企业招人的时候，都要问看没看过三支柱的理论？”这个问题问得很好。彭老师和腾讯公司的马海刚先生一起合作写了《人力资源管理三支柱》，彭老师+马海刚先生+腾讯公司，三者的综合影响力，使得一般互联网企业都接受“三支柱”这个范式。今天我提到的这个人员分析七支柱，则是把人力资源分成不同的部分，包括劳动力规划分析、来源分析、获取/雇佣分析、入职后文化适应与参与、绩效评估发展与员工终身价值、员工关系与保留、员工健康和安全，从这七个角度去获取数据、建模、分析并得到结果。 （2）范式2：IMPACT Cycle IMPACT Cycle范式，主要分为六个方面：一是确认问题，比如雇佣一个员工到底要花多少招聘费用；二是掌握数据，能不能搜集很多数据，算出来到底是2000元还是3000元？三是提供意义，用这么多数据分析这样的问题，最终有没有意义？四是根据调查结果和建议采取行动；五是沟通见解；六是跟踪产出，结果出来后，将算法与执行进行对比，经过几个证伪过程，结果就会对了。 （3）范式3：穿越今天，打通过去和未来 通过数据我们既能知道过去发生了什么，也能知道现在在发生什么，为什么发生？还要知道将来会发生什么？这是数据时代的三个阶段。用数据知道过去、知道当下，还要知道未来。用数据知道过去叫“信息”，用数据知道现在及其原理叫“知识”，用数据知道未来叫“智能”。企业越智能，绩效越高，企业是智慧生命的产物。 数据分析还要解决的大问题就是预测。对过去的事情，搞统计的人会有所了解，现在发生的事，70亿人，这一刻在想什么，我们可以借助大数据进行了解。有一次我去腾讯参观，那天正好是12月31日，大家都忙着发微信拜年，数据显示最多的时候同时有10多亿人在使用微信，我当时还发了一条微信，说腾讯无所不能，因为它知道这一刻这10亿多人在想什么。 因为做到了既知过去、又知现在、还知将来，我们做的政策就是可行的见解，否则就是“懵”的，就会是“绩效黑箱”。所以在“绩效黑箱”时代，企业的成功是靠机会和运气的，而在智能时代应该可以靠“因果”，人生下来能长到老，就是因果发育过程，企业还远远没到这个程度，而这正是我们想追求的。 （4）范式4：人力资源分析
上面的这张图也是在说过去、现在和未来，但是有一个特别新的部分，就是规范性分析，它比预测性分析还要走前一步，预测性分析可以知道未来怎么样，但是不敢说这么做就是对的。而规范性分析是基于未来的预测告诉你应该怎么做，怎么往前走。规范性分析是特别重要的事。 （5）范式5：水平融合与垂直融合
水平整合、垂直整合与人力资源管理概念中的纵向整合、横向整合同一个意思，纵向整合是从战略一直到人力资源系统的匹配，从竞争挑战一直到人力资源管理神经的末端；横向整合是人力资源管理每个方面的匹配，比如，人力资源管理的一个咨询项目，在组织发展、招聘、人才培训、绩效管理、薪酬等方面的匹配度。 如果了解战略人力资源的相关概念和知识，就能很容易看懂这张图。这张图表达的观点是：如果你的人力资源管理系统真正要帮企业落地战略、获得竞争优势，必须在整个系统的神经末端用数据说话，用数据驱动人力资源系统，从而帮助企业获得竞争优势。从这个层面看，我今天分享的题目就可以改成“如何用数据驱动的人力资源管理系统，帮助企业获得竞争优势”。 科学管理原理、资源理论到数据驱动，这三者应该是我们学习掌握的重点。为了更容易理解用数据驱动来获得人力资源竞争优势，我给大家提供一个附加讨论，主题是“数据分析在以结果为导向的人才发展的思维方法”，具体讨论的现象如下：
如何得到效率呢？培训的ROI谁能告诉我？比如今天大家听一天的课，就算不付钱，但是时间搭进去了，这个ROI是多少？没有人能说得出来，这就是个问题了。我们可以通过四级评估法（FourLevelEvaluation:Level1：Reaction;Level2:Learning;Level 3:Behavior;Level4:Results.）来反映大家听课的效果。在这个基础上，又加上行为和结果，一个是Level0，一个是培训课程的资源使用率，比如我们讲课讲到6点，1000个座位还有60%、70%的比率，这是起码的资源利用。另一个是Level6，最佳效果，这些指标可以看出培训是不是真正在起作用，这个系统是不是真正在运转，以及运转效率是不是很高。数据驱动的人力资源就是用数据说话的。 四、新的曙光：AI时代HR的测量问题和能力要求 我们来到一个新时代，人力资源测量的问题有变化吗？人力资源经理们的能力有变化吗？结论是肯定的。AI时代、大数据时代，HR的测量肯定会出现新问题，这对我们的能力要求肯定会有挑战。 有一本经典著作《通过数据分析来竞争》，它把十年时间按数据的时代做了一个划分，指出这十年里，数据经过了四个时代，数据分析1.0、数据分析2.0、数据分析3.0、数据分析4.0。其中，1.0说的是描述型数据，比如统计多少人参加会议、多少人举手发言等。2.0是大数据时代，这时候的数据有很多，比如说腾讯公司一秒钟有10亿人在上网等。3.0是全数据，不仅关心大数据还关心不起眼的数据。4.0是人工智能时代，人力资源的分析也到了人工智能的时代，这是用机器帮我们进行数据处理的时代。 以下是我基于大数据时代问的一些问题，这些问题很多年前就应该关注，它们也是AI时代的真问题： 1.现在什么样的岗位是真正有效的？每个员工每天做计划吗？做的工作计划是正确的吗？比方说做的事情与战略的匹配度是多少？每件任务对完成总任务有多大贡献？任务完成率是多少？哪些任务没有完成？这些没有完成的任务导致执行力受多大的影响？如何把这些没有完成的任务记录下来并送进下一个任务池？如何通过数据分析发现哪些岗位是高绩效岗位？ 比如百度这么大的公司，如果裁掉100个岗位，包括这个岗位上从事工作的人，它的绩效会下降吗？这不一定能够给出结果。用数据来说岗位效率是一个值得研究的问题。 2.岗位所需要的能力是什么？素质模型很重要，但提取素质是一件费时且缺乏方法论的事。能否有一种简单方法，迅速动态地提取素质要素？我为此研究过：能力是什么？能力的来源是什么？一个人的能力如何定义？我没能研究得多清楚，并且到了大数据时代，这个问题将会让我们更加困惑，因为在大数据时代能力是非常动态的。变化的速度比原来快得多，在这样的情况下岗位所需要的能力就需要我们认真思考再给出结果。 3.员工招聘问题。具体而言就是简历的困惑：一个人简历写得再好，我们也很难获得足够信息判断一个人是否是能干的，是否适合我们。如果有一个员工日常行为记录数据库（如365天的工作计划和365天的工作总结），事情就会好得多。再比如：进来之后的试用期，判断也不够；再比如员工与职位的匹配度；再比如员工的潜力预测。 这是很多企业苦恼的问题，劳动成本的提高，比如税的提高、住房费用的提高、社保提高等，导致劳动成本比原来要提高百分之几十。在这种情况下，人力资源管理的主要环节从考核和薪酬变成了招聘，招聘的效率、谁是好员工、用多少钱把员工招过来就是一个问题。 培训、绩效、薪酬等，诸如此类的问题可能都需要靠大数据来处理，所以我们的能力是要从以前的人事经理、战略合作伙伴，成长为将来的AI专家。 以上是我的分享，谢谢各位。
帖间广告位01
|
