2013年11月18日 企帮柳更生董事长《大数据与人力资源管理》
“大数据”与企业人力资源管理
广东省企业管理咨询协会副会长 柳更生
数据是企业管理的依据，也是企业管理提升的有力工具与强大动力。人力资源管理效能的提升同样需要“大数据”来支撑，比如，人才招聘工作，就需要从四个方面来挖掘大数据。
一、结构化的数据信息采集
如性别，年龄、学历、从业经历、职称等，这些通过结构化的简历来反映出来。
二、非结构化的数据信息收集
如职业背景调查，传统媒体资讯、新媒体（网上）资讯，社区与社会人际评价，相关联人员评价看法等。
三、面试官的直觉评判数据信息
在面试时，让有经验的面试官凭直觉，对应聘者的各个方面进行打分评价，得出直觉数据。如知识面、气质形象、礼仪素养、语言能力、应变反应等等。
四、实验与试验数据采集
有些技能性很强的工作岗位，往往需要实操、实验、试用后，才能得出实际数据，来判断人才的优劣。
数据，对于企业的H R 来说并不陌生，从最开始通过招聘搜集员工信息，到能力测评，以及年度、季度的绩效考评，日积月累的数据不可谓不大，但是真正将这些数据整理分析，提供给人才管理者做决策的企业却并不多见。然而，不管你用不用，这些数据还在增大，而且，随着新技术的出现和普及，移动设备和社交媒体也加入到企业招聘的渠道中。如何充分利用这些数据以便更有效地支持人力资源管理工作？目前企业利用人才数据的现状如何？人才“大数据”应用的前景是怎样的？
直觉和大数据，哪个才是人才判断的最佳方法？
从“小数据”说起
世界经理人：SHL发布的《2013 年全球评测趋势报告》显示，企业在利用人才‘大数据’方面还处于起步阶段。这里提到的‘大数据’概念跟以前企业在招聘中运用的人才数据有何不同？
其实数据一直存在，H R 招聘过程本身就涉及很多数据，从应聘者的简历、笔试到面试都包含很多评分(rating)。但相比较现在所说的大数据，我们把这些称为小数据。所谓小数据就是按照某个业务流程目标，预先设定一些甄选标准，通过抽样的方法来判断整个流程是否符合你的需要，通过数据来研究。
德勤也有人才分析数据，但基本都是基于怎样利用好现有的小数据，就是把原来从不同部门或不同领域采集来的本身结构化的数据，录入数据仓库( Data Warehouse)，并进行数据挖掘( Data Mining)。比如，德勤有一个候选人跟进系统—ATS (Applicant Tracking System)，只要应聘者投递简历，他的信息就会进入德勤的全球人才库，现在约有30 0 万人的信息。这个数据库可以在德勤的各个跨国公司之间共享。德勤中国可以利用这个数据库寻找美国德勤吸引来的人。这是一个巨大的人才数据库或者候选人数据库，我们可以经常进行数据挖掘。
另外，德勤也在用SH L 专门的工具叫做人才数据与结构分析(Talent Analytics)，它从数据的体量上来讲更大。比如，SHL能对所有应聘财务的学生，在全球范围做各种比对和分析，从而分析出一种趋势，我们将这种趋势称之为对标。当一家企业想确定今年招收员工的整体质量时，SHL 的数据可以帮我们横向地跟全世界、亚洲或者其他竞争公司的情况做比较。
但是，我认为真正的大数据是研究非结构化数据，而非通过某一个特定目标、一个已经设定的标准去采集。当大数据来临，产生的最主要的区别在于：大数据可以通过某种机器的手段，更多地采集候选人非结构化的、自然的、在社交媒体和网络上的信息，来辅佐目前已有的结构化数据，并帮助进行判断。如果能做到这些，那么招聘决策就会更加准确。
以前的数据来源于调查研究。假如美联社的薪酬数据来源于针对不同企业的HR所做的调研报告，内容可能包括今年不同岗位的薪酬涨幅如何，然后通过某个公司进行有效的数据处理后，便得出这个行业的薪酬基准( Bench mark)。但现在的数据来源于每个人与整个数据采集机构直接的互动。比如LinkedIn就是这样的数据采集机构，上面的数据是使用者作为个体自发提供的，而LinkedIn 同时也有社交媒体(Social Media) 的概念，所以它的数据是准确可信的。LinkedIn不仅仅是一个社交媒体，也是建立企业人才库(Talent Pool) 的有效工具。
无论是大数据还是过去的小数据，它们的功能是一致的，就是对业绩进行有效预测( Predict Performance)。举例来说，一个应聘者加入新公司，就需要接受测试，因为公司并不了解他。这就需要一个信效度较高的测试来判断该应聘者是否符合这个企业的文化和业绩目标，以及能否跟同事友好相处，互相促进。测试的种类非常多，但所有目的都是为了预测业绩。世界经理人：所谓小数据的分析是怎样运用到招聘和人才决策中去的？
|
