大数据驱动的智慧人力资源管理

文/王志辉

人力资源管理是在经济学和“以人为本”思想指导下，通过招聘、甄选、培训、报酬等管理形式对组织内外相关人力资源进行有效运用，满足组织当前及未来发展的需要，保证组织目标实现与成员发展的最大化的一系列活动总称。

传统的人力资源管理方法依赖人力资源规划、招聘与配置、培训与开发、绩效管理、薪酬福利管理以及劳动关系管理六大模块，实现对人力资源的获取、整合、保持、评价和发展，主要强调三方面内容：

（1）对人力资源的控制，即通过完善的制度和规范的流程实现人事管理的高效运作；

（2）对人力资源的服务，即通过专业理论和实践经验实现人力资源的效率最大化；

（3）对人力资本的预测和决策，即通过前瞻性的分析洞见实现投资收益的最大化。

相比于传统人力资源管理方法，大数据驱动的智能人力资源管理具有以下优势：

（1）依据大数据感知手段，对人力资本进行客观分析和直观展示，体现以人为本的管理思想，实现对人力资源细致且全面的洞察力。

（2）基于智能化分析方法，对人资管理进行定量评估和定性预测，提供宏观和微观的多层次分析，优化人资管理的前瞻性决策力。

1 大数据驱动的智慧人力资源管理

随着企业管理中信息系统的广泛普及，如人力资源管理系统以及互联网人资相关信息的积累，人力资源已积淀了大量的数据。同时，现阶段图像分析、传感数据分析等人工智能技术取得较大突破，使利用大数据驱动的智能人力资源管理系统解决当前人力资源管理的三大困境成为可能。

1.1 方案概述

如图1所示为大数据驱动的智慧人力资源管理方案。遵从“人工智能+”的指导思想，使用“数据感知+知识认知”、“智能分析”、“精准洞察+决策支持”的设计思路。

“数据感知+知识认知”层由数据源和采集单元完成。数据源方面包括传统的企业数据，如EHR数据、ERP数据、财务数据等；传感数据包括考勤系统的图像数据以及其他如活动轨迹数据；互联网数据包括员工社交网络数据、大型职业招聘平台数据等。数据源中，传统企业数据通常为面向业务流程的模式，将其转化为面向员工的数据管理模式以更好地实现以人为本的人资管理思想。采集单元主要包括两层逻辑，一方面采集和补充更多的数据提升数据感知能力，如面向人资管理的问卷调查、观察、访谈等电子数据采集等；另一方面对已有的人资管理经验知识进行建模，形成知识图谱等认知体系，两层逻辑的融合可最大程度地提升人资管理中智能分析的效果。

“智能分析”层以成熟的Hadoop和Spark平台作为基础支撑设施，重点是利用大数据统计、机器学习、数据挖掘、模式识别等分析方法和技术，构建支持实时分析和离线分析的人力资源分析模型。

“精准洞察+决策支持”层即利用各类智能分析模型，面向人资管理中获取、整合、保持、评价和发展五个方面的需求，一方面提供定量分析的可视化洞察服务，另一方面为领导层和管理层提供定性分析的决策支持服务。

1.2 主要功能

1.2.1 智慧人力资源获取服务

人力资源获取主要包括人力资源规划、员工招聘与挑选。人力资源规划方面，基于对不同层级、不同部门的工作任务和现有员工的定量数据分析，以确定企业对人员数量和质量的定量需求，进而制定细粒度、精准化和个性化的人力资源规划；员工招聘与挑选方面，首先通过频繁项集和关联规则分析等手段，进行深度挖掘以形成优秀员工的品质需求（如年龄、教育背景、工作经历等），进而对目前互联网大型职业招聘平台进行对比分析，实现自动化、主动式、精准导向的人才招聘和挑选。

1.2.2 多粒度社交分析的员工整合

传统的人力资源整合通过企业文化、信息沟通、人际关系和谐、矛盾冲突的化解等方式，使企业内部形成高度的合作与协调，提高企业的生产力和效益。智慧人力资源管理使用社交网络分析方法，对公司内部不同粒度的员工群体和个人进行社交分析，包括群体目标、行为、融洽度以及个人态度、合作度的挖掘，以达到企业内部人力资源的多粒度整合和调控监管，如部门融洽度分析、小群体识别等。

1.2.3 基于员工离职预测的员工保持

人力资源保持的核心问题是如何避免优秀员工的离职，智慧人力资源管理通过对历史员工离职数据进行模式识别，挖掘多变、精细的员工离职因素，使人力资源管理者能够“未离先知”，对高离职可能的员工定向采取个性化留任策略，并在宏观政策调优上提供决策支持。

1.2.4 基于员工画像的员工评价体系

员工画像分析根据员工的工作成果、绩效评价、技能水平、工作态度等因素，将员工抽象为不同的类别标签，对员工进行个性化评估。借助于大数据驱动方法实时高效的特性，员工画像可以进一步引入时间序列因素，从而实现员工成长性分析的目标。此外，借助员工画像的智能方法，有助于定量分析员工个人价值，以及定性识别企业优秀员工。

1.2.5 员工发展规划的决策支持

借助于以上智能分析和决策模块，实现员工职业未来发展的预测分析，进而对员工培训计划进行决策支持，个性化细粒度地提升员工的发展潜力。此外，大数据驱动的智慧人力资源管理可以借助考勤系统的图像数据和员工活动轨迹的感知数据，对员工的情绪状态、生活规律进行分析，从而在提升员工工作心情、保障员工个人健康等方面规划员工发展策略。

1.3 其他技术

智慧人力资源管理同时支持多粒度、多刻面的描述统计量展示，并支持传统定量人资分析方法的自动化、主动式服务，包括大数据驱动的相关分析、回归分析、判别分析和时间序列分析。

2 智慧人力资源管理案例探索

2.1 二级公司人员引进标准问题

2.1.1 问题提出

二级公司往往是大型企业规模和利润的增长点，如何更好地支持二级公司的高速发展是一直关注的议题。二级公司人才相对匮乏，最有经验、最有人脉资源的人才一般都在40-45岁，超出总公司招聘的相应标准，人才引进难度较大。针对这个迫切的需求人力资源工作者应该如何处理？

2.1.2 数据整理与挖掘

为了回答上述问题，首先将各分公司对公客户经理的数据进行整理，分别分析一级公司和二级公司对公客户经理的特点，从而明确两者是否应该采用差异化的政策标准

从对公客户经理在各经营机构的年龄分布情况看，60%-70%的对公客户经理集中在25-35岁，且二级公司30岁以下人员占比较高。这说明二级公司年轻人更多，但这并不能证明二级公司优秀人才引进困难，如果这些年轻人在二级公司可以做得很好，那么也不必修改政策，应该鼓励二级公司招聘年轻的客户经理，用更低的成本开展工作。

进一步分析优秀客户经理的分布情况，二级公司中级及以上的对公客户经理有50%以上都在35-45岁之间，而一级公司则是在25-35岁之间。这说明虽然二级公司25-35岁的人员较多，但真正业绩突出的则是35-45岁的人员，而一级公司25-35岁的人员不仅数量较多，其综合能力也较为突出。那到底是什么原因造成的？

进一步探讨公司优秀客户经理的特点。把学历、行业经历、专业经历和入行经历作为自变量，把客户经理专业技术评定综合得分作为因变量，用逐步带入的方式进行回归分析，看看不同经营机构影响客户经理综合得分的因素是什么。分析结果得出二级公司回归方程为：综合得分=69.83+0.663×专业经历，R2（预测程度）= 0.213；一级公司回归方程为：综合得分=50.07+3.34×学历+0.371×行业经历，R2（预测程度）= 0.083。

由此可见，在二级公司专业经历显著影响客户经理综合得分，这也部分印证了二级公司所在地干得好的客户经理均是做工作经历较长的人员。而在一级公司情况则不同，进入回归方程的是学历和行业经历，说明在一级公司影响其综合得分的因素较多，其中较高的学历背景及较长的行业经验成为客户经理获得成功的重要条件。

2.1.3 结果解读与政策建议

通过上述的一系列分析可以看出，一级公司和二级公司优秀客户经理的成功条件不同，二级公司可能还是更多地采用关系型营销模式，而一级公司正在向专业型营销模式转变，因此在现阶段制定招聘标准时可进行差异化设计。

（1）在二级公司增加年龄的弹性。可以选取95分位作为临界点，以便覆盖95%的优秀客户经理。经测算二级公司中级及以上客户经理入行年龄的95分位值为41.35岁，一级公司为40.45岁。因此，可以分别以42岁和40岁作为招聘的参考标准。

（2）在一级公司应坚持现有的学历和年龄要求。针对一级公司均值差异检验表明，硕士研究生的业绩显著高于大学本科和大学专科，而大学本科和大学专科间无显著性差异。因此,可以通过大量引进硕士研究生进行系统培养，从而满足未来的人才需求。

图1：大数据驱动的智慧人力资源管理方案

当然，以上的分析与建议均基于现状，最后的政策还需要结合企业未来的人才规划综合考虑后制定。

2.2 专业技术人员离职问题

2.2.1 问题提出

近年来同业间竞争日趋激烈，核心人才流失现象严重，各机构均反映刚培养起来的优秀员工很快就被别人挖走，这在一定程度上影响了公司业务的高速发展。那么，针对这样棘手的问题人力资源工作者应该从何处入手避免核心人才流失？

2.2.2 数据整理与挖掘

对已参与专业技术序列评定的人员信息进行整理和分析，发现离职率最高的是C专业序列的人员，为8.89%，其他序列均在全行平均水平上下。因此，把C专业序列作为分析主体，尽量全的纳入这个群体员工的各项信息，如性别、年龄、学历、工作年限、入行年限、评定等级、行员等级变化等因素。采用Gini决策树 计算方法，去探索影响C专业序列人员离职的因素。

通过计算各因素对离职率的影响系数，最终以行员等级是否变化、性别和评定层级作为树节点绘制决策树。

2.2.3 结果解读与政策建议

通过上述的分析可以看出，不同类别的群体存在差异巨大的离职倾向。各机构应关注离职高发群体，并制定差异化的留任计划和政策。同时，针对高关注员工存在的普遍问题，还需研究制定或修订相应的政策制度，使其更能符合企业和员工的需求，激发员工动力。

如此一来，不仅能从前端尽可能地抑制离职行为的发生，防患于未然。同时,还能化解一些潜在的问题和矛盾，激发员工的工作热情，进一步提升整体绩效表现。

3 总结

本文提出一种大数据驱动的智慧人力资源管理方法，一方面有助于提升人力资源管理的客观性、直观性；另一方面通过对人资管理的定量评估和定性预测优化人力资源管理的前瞻决策能力。智慧人力资源管理进一步考虑的重点方向包括：一是培养数据意识，用数据说话；二是从某个领域开始，从描述统计开始；三是从描述统计到推论统计；四是从预测到决策。