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，经授权翻译发布

在上一篇文章中，

我讨论了什么是人力分析以及我们如何运用人力分析提升组织绩效；

这次，我着重介绍一下人力分析的前两步，

以沃尔玛为例，探讨组织的数据成熟度模型以及如何提出人力分析相关问题。

组织的数据成熟度水平

每个组织都有着各式各样人力资源相关的数据，

但他们却有着不同的数据与人力分析成熟度水平。

下面是沃尔玛分析成熟度图表的示例，

源自于TomDavenport最早提出的分析成熟度五阶段模型。

表中的下半部分是大多数企业与人力资源从业者所使用的。

在较低的成熟度等级，HR只是简单的统计雇员的人头数，根据需求展示“对业务问题反应性响应”报告。

即使是在上篇文章所提到的IBM分析实践中，

基于内部沟通系统中高频词汇分析而识别、

并向CHRO进行预警的因使用共享出行服务而产生的报销问题，

也仅仅是位于“例外事项管理与预警”这一层级，在本质上仍然属于反应性响应。

尽管SIOP（工业与组织心理学学会）会议并未对这张图表进行详细讲解，

但我认为灰色部分的“BI”代表了商业智能（BusinessIntelligence）——

沃尔玛将数据分析成熟度的初级部分定义为此前曾广泛开展的商业智能工作。

但是伴随组织数据成熟度水平的提升，他们将首先进入“统计分析与数据挖掘”领域——

这一领域旨在通过对基础数据的实验与模式探索，进行问题的根源分析；

此后，将会进入前瞻性分析的层级——

例如通过“预测”职能以“检验未来的可能性”；

最终，将进入“预测性建模”（或“预测性分析”）或“机器学习”的领域（注：这三个术语实际上代表同样的含义）。

需要再次强调的是，尽管事实上这一表格并未对细节加以详细解释，

但我认为它对于理解，特别是从工业与组织心理学背景理解，这些不同技术之间的差异非常有用。

关于机器学习运用于终端用户体验方面的最佳案例是，

Facebook的Newsfeed，WhatIs.com对机器学习户做出了如下定义：

“机器学习程序能够通过数据模式识别相应的调整程序行为。

例如，Facebook的News Feed根据用户之间的交互行为对内容进行相应调整——

如果某位用户经常在其朋友的照片墙添加标签（评论或点赞），

News Feed将假定二者关系较为亲密并在该用户的推送内容中更多地展示其好友的活动。”

机器学习与数据挖掘有关，但请注意，后者通常仅局限于数据侦测及数据探索阶段。

需要切记的是，某个组织的数据分析成熟度依赖于其组织自身的成熟度水平。

当组织相对年轻时，各项职能通常是去中心化的，

但伴随组织的成长与成熟，中心化的趋势会日显著。

一个自身成熟度很高的企业很可能会在人力资源职能以外，组建一个独立的全球分析团队。

此外，尽管有些组织或许在其分析能力方面有着较高的成熟度，

但很可能仅局限于市场营销领域的**分析。

换句话说，其HR职能并未具有同等的成熟度水平。

为了打造真正成熟型的组织，应当通过各个不同职能间，

如人力资源、销售、市场营销、研发、制造等数据的分享、

鼓励信息在部门间自由的流动、将信息与数据分析应用于决策制定等方式，

于所有职能中达到既定的数据分析成熟度目标，并使数据分析融入企业的DNA。

更重要的是，

由于对数据的收集、录入、分析及问询已经成为一种商业常态，

因而企业各个层级的管理者必须对数据运用抱有积极乐观的态度，

这一观点在后文数据分析流程与数据治理部分还将被反复提到。

生成人力分析相关问题

尽管你可能认为人力分析源自于数据本身，

但事实上它源自于与业务相关的问题与困难；

在SIOP所举行的与分析相关的所有会议中，

专家们共同的观点是业务问题需要先于数据。

最近，乔治城大学计算机科学系助理教授Cal Newport在“学习技巧—解码成功模式”（StudyHacks – Decoding Patterns of Success）的博文中提供了一个恰当的比喻：

几周以前，时代周刊就Apple Watch的问世进行了回顾，文中开头的一段话引起了我的注意：

首先，我们要花费一整天时间来学习和掌握这一设备复杂的用户界面，

之后，再用一整天来思考它将如何更好融入到我们的生活，

最后，还要用一整天来思考这一苹果公司5年来推出的唯一主要新品到底希望给我们带来怎样的改变——

当然，更重要的是，哪些不是。

花上一些时间来寻找新颖之处是非常值得的，

但如果需要3天时间来寻找它到底对你有哪些用处，

那么很可能你压根儿就不需要它！

在其他任何一个行业中，缺乏明确用途的产品根本就不会有任何市场，

但在硅谷这一存在文化扭曲的环境里，这正是真正的常态——

创新公司提供炫酷的新型产品，而你则去寻找真正需要它的理由。

如果将数据或供应商声称有效的产品比喻成Apple watch，

我们的目的并不是说“嗨，我们有一些数据和不错的产品，让我们看看能用它们解决哪些问题！”

而是要牢记，你设法解决的那些问题，必定优先于那些有待分析的数据或帮助你解决问题的工具。

如果你希望提出人力分析相关的问题，你需要考虑如下问题：

▍我所服务的组织类型是什么？

数据驱动或数据厌恶——

你所服务的组织类型决定了你提出的问题与采取的方式，

当然，这又回到了组织的分析成熟度水平以及其对待数据与分析的总体态度。

▍业务战略是什么？

任何问题及经由分析所产生的模型都应当与核心业务战略及计划高度匹配。

在大数据时代，由于数据容量的原因人们或许会无所适从，

但指导原则总会要求我们回归并专注于组织的使命与目标，

这也将令我们的分析工作更加聚焦。

事实上，对于人力分析与大数据，

有一句箴言需要我们时刻牢记：“数据的规模与问题的影响并不相关”。

▍我应该从哪里寻找问题？

当然，比如你可以直接去学习发展（LD）部门询问“你们最大的问题是什么？”

并在得到答复后补充道“没问题，我能帮上忙，只要你给我一些数据。”

但是根据以往咨询顾问的经验，由于难以产生明显的投资回报率，

并不建议你从人才招募或领导力发展领域着手开展你的人力分析工作。

你需要专注于生产率、员工敬业度以及人才保留，

特别是针对那些创造客户、服务客户并带来销量的关键群体或人才，

对他们的分析将产生最大的可见回报。

但是如果是分配给你“已识别的”问题，你还需要考虑：

▍谁提出的问题？

换句话说，

谁是尝试解决问题的人？

是中层管理者还是高层管理者？

他们来自于哪个团队或部门？

▍真实的问题是什么？

当你拿到有待解决的问题时，你的目标还应当包括与提出问题的管理者进行沟通并了解他们的真实需要；

当人们和你谈起业务挑战时，你需要询问他们想要寻求解决方案的原因——

你们真正需要解决的问题是什么？

你希望如何运用分析结果？

这些问题将帮助他们深入思考并重新审视现有问题，并有助于识别潜在行动方案的关键绩效指标。

一个例子是，

我的组织与工业心理学主管会收到很多的数据分析需求，

经过很长一段时间工作之后，他非常清楚的了解到，在大多数情况下，人们所要求的并不是他们所真正需要的。

你应当深入挖掘并询问他们希望达成的目标，并由此思考并找出他们的真实需求。

换句话说，关键是要能够提出正确的问题。

另一方面，也可能是人们对人力分析过度热情而导致提出了过多的问题。

技术上说，

任何人都能提出有待回答的人力分析问题，

但对于哪些问题更为重要、需要由人力分析团队而非由其自行解决，有必要设定相应的指导方针。

例如，“某某部门有多少人员？”显然不是也不应当是人力分析的问题。

人力分析问题应当是由业务与战略驱动，其产生的洞见也应当是具备可信性的。

下面的例子展示了沃尔玛面临的实际业务问题，以及他们是如何通过人力分析来解决问题的。

在沃尔玛，鉴于仅美国本土每年50万人庞大招聘规模，总体招聘费用也相当可观。

基于所面临的业务挑战，一项假设由此提出：

“对于重新雇佣的一线合伙人（注：沃尔玛将一线员工成为合伙人），能够减少他们所需的入职/上岗培训时间吗？”

为了解决这一业务问题，分析团队首先尝试了解每个招聘区域的特定情境——

家庭收入、每个家庭的合格劳动力人数、年龄分布等，

并运用集群分析（clusteranalysis）对总体劳动力进行分类，

以识别重新雇佣的季节性合伙人；

之后，他们将这一重新雇佣的季节性合伙人与匹配对照组进行比较；

同时，他们也对其中的高绩效人员以及招募与人才获取的决定性因素进行识别。

团队同时也分享了在沃尔玛他们最常检验的一些大数据假设，

请记住大数据的问题与人力分析相关但并不完全相同，

此外由于沃尔玛的数据规模，它们的确能够被称作大数据。

• 探索性分析与研究

• 两个或多个群体间的差异分析

• 两个或多个变量之间的关系

• 对新举措的测试

• 对未来结果进行预测

关于最后一条（预测性分析），我特别向顾问询问了，

在仅仅基于过去或现有数据、且无法从相关性数据中得出因果关系结论的情况下，他们是如何确保预测结果的有效性的。

对此他表示，

通常他们只进行少于两年的预测，但如果被要求进行更远期的预测，

他们将明确提出由于存在更大程度上的误差，预测的置信水平将相应降低。

在下一篇文章中，我将就人力分析流程的剩余部分进行说明：

数据获取-数据整理-数据分析-数据可视化与数据沟通。（end）