-
pa
Josh Bersin：调查显示，PA团队仍难以产生对业务影响
Josh Bersin公司最新研究揭示了人员分析领域的持续增长!然而，进展有限：470家全球组织中，只有10%的人员分析团队参与了业务级项目.Josh Bersin公司警告，如果人员分析无法系统化且更具商业导向，可能会失去投资和支持，使CHRO无法获得能推动业务影响的宝贵洞察。
忠告是：拥抱AI，并重新定位为“系统性商业分析”提供者，否则可能被边缘化。
多年未解的难题
在我职业生涯的早期，我曾参加HR分析会议，看到许多勤奋的分析师做着惊人的工作，但他们常常感叹无人倾听。25年过去了，这些分析师依然努力，但他们的进展仍令人沮丧。
《人员分析权威指南：通向系统性商业分析的旅程》指出，问题在于企业普遍面临人才约束。尽管AI自动化即将到来，各组织仍在寻找新技能，招聘一线工人，并在婴儿潮一代退休之际填补领导层的空缺。据预测，医疗行业在未来三年内将短缺200万名临床医生，零售业和制造业面临类似挑战。
随着这些劳动力挑战的出现，我们现在却被大量可用数据所淹没。企业使用Eightfold、LinkedIn、Lightcast和Draup等平台来精准定位人才、识别薪资需求和发现关键技能。从理论上讲，HR的分析能力应该像CRM或财务规划系统一样强大。然而，事实并非如此。
尽管在HCM（人力资本管理）平台上投入了数十亿美元，但不到10%的公司能够将HR和人员数据与业务指标直接关联。这是一个严峻的问题。
现状分析：未被充分利用的HR数据
最近我得知，Salesforce计划招聘1000名销售代表来销售其AI代理系统。（一种奇怪的做法：招聘销售代表来推广一种消除销售代表需求的系统。）Mark Benioff（Salesforce的CEO）可能想知道这些新员工需要哪些技能、应具备什么背景，以及内部有多少人可以重新部署。他有这些信息吗？我对此表示怀疑。
这就是普遍存在的问题。我们在HR软件上投入了巨资，但人员分析团队通常被困在“科学项目”中，专注于研究员工保留、技能差距等重要但内部导向的问题。有多少公司能像对待供应链、财务运营或客户保留那样严谨地测量和监控人力资本？
答案是不到10%。某种程度上，这是一种进步：上一次研究时，这个比例还更低。但显然，这个比例还远远不够高。鉴于工资是企业最大的可自由支配支出，我们难道不应该以极高的精确度测量人员的影响吗？答案当然是肯定的，只是这项工作非常困难。
困难的根源
为什么这么难？原因有以下几点：
数据分散在30到40个不同的员工系统中；
数据定义不清，例如由于季节性变化、家庭变化等因素，计算真实的员工保留率需要耗费大量精力；
HR系统与业务系统之间几乎没有明确的关联。
尽管我们购买了Workday、SAP、Oracle等ERP系统来整合数据，但这些供应商并未提供直接的跨领域关联能力。例如，要做一份“销售业绩与经验年限相关性”的报告，可能需要一周时间才能整理出正确数据，因此销售经理通常根本不会尝试。
AI带来的变革
然而，变化即将发生，而且速度很快。
人员分析是HR领域中最后一个达到成熟的领域之一，原因在于上述挑战以及某些公司缺乏“数据导向”的思维。
AI的出现正改变这一切。作为一种集成性最强、系统性最强且易于使用的数据管理技术，AI不需要专业背景即可高效操作。例如，通过AI工具如Visier的Vee、Galileo、Illuminate等，HR团队可以轻松将多种数据整合在一起并生成即时洞察。
想象一下，您将员工的销售数据输入Galileo，然后再添加员工历史数据库、薪酬数据和培训记录。如果数据标记正确，AI会立即让您得出“销售收入与任期、培训历史、管理跨度和薪酬之间的关系”这样的答案。虽然AI可能不知道某些销售代表拥有优越的市场区域或某些领导表现差强人意，但它会提供基础信息。
随后，您可以添加其他数据以完善分析。
推动系统性分析进入高层
我们称之为“系统性分析”（Systemic Analytics），即从系统的角度而非单一视角分析问题。例如，招聘对员工流失的影响有多大？工作时间安排对生产力的影响有多大？
AI可以帮助企业领导更全面地了解背后的人员问题。例如，在季度末，CEO可以谈论“亚洲地区的员工生产力增长了11%，得益于新的招聘模式和薪酬体系。”
这10%的领先企业已经通过将人员分析定义为“业务分析”职能、赋予HR团队咨询角色以及配备数据工具而取得了巨大成就。
未来已来。让AI为人员分析赋能，释放人力资本的无限潜力！
-
pa
使用AIGC生成式人工智能进行人员分析的潜力和危险
许多人力资源领导者仍然在分析方面遇到困难，因为这往往不是他们的典型专业领域。
好消息：如果使用得当，生成式人工智能AIG可以以提供帮助。许多用例才刚刚开始探索。然而，也有一些警告消息：生成式人工智能尚未达到可以 100% 可信地产生准确、有效和可靠输出的程度。人力资源专业人员仍然需要将自己的专业知识、见解和批判性分析应用于这些信息。尽管如此，生成式人工智能仍然可以节省大量时间，并提供新的解决方案来改善人力资源运营的几乎各个方面。
寻求生成式人工智能见解的众多机会
Iu Ayala Portella 是数据科学咨询公司 Gradient Insight 的首席执行官兼创始人，也是一位在该领域拥有近十年经验的人工智能专家。阿亚拉列出了几项任务，人力资源专业人员可以利用生成式人工智能的力量从人员数据中收集更多信息。
人才招聘。Ayala 表示，人力资源领导者“已经使用生成式人工智能来分析职位描述，识别可能阻碍多元化候选人的偏见或性别语言。”
员工情绪分析。生成式人工智能可以分析来自调查、绩效评估、社交媒体和其他来源的员工反馈。“人力资源领导者可以识别潜在的改进领域，衡量员工满意度并实施有针对性的干预措施以提高工作场所敬业度，”他说。
技能发展和职业道路。“人力资源领导者可以分析员工的技能、兴趣和过去的职业轨迹，以推荐个性化的学习路径并发现成长机会，”阿亚拉说。
关于这些可能性有很多讨论。事实上，咨询公司 WTW 的董事总经理 John Bremen 一直在与客户讨论生成式人工智能的影响。他看到人力资源专业人员使用生成式人工智能数据来分析采购和招聘数据并了解员工偏好。但“我们还没有看到任何重大趋势，”他指出。“我认为我们还处于实验阶段。”
人力分析公司 Perceptyx 的研究和洞察总监 Emily Killham 表示，一个有用的应用程序是帮助人力资源专业人员更好地服务其业务部门客户。她说，人工智能聊天机器人的查询可用于根据数据为一线管理人员提供指导。此类查询（称为提示）的一个示例可能是：“我管理着一个由 10 人组成的团队。我们都远程工作，每年只面对面见面四次。我想从事调查项目，'我的经理和我的团队尊重所有员工。你能制定一个行动计划吗？” 基勒姆说，利用大量信息，生成式人工智能“可以在几秒钟内获得输出，这可能会改变游戏规则，提高组织的行动速度”。
北卡罗来纳州温斯顿塞勒姆维克森林大学的物理学教授杰德·马科斯科 (Jed Macosko) 教授数据和人工智能课程，同时也是数据利用公司AcademicInfluence.com的总裁，他 提供了更多例子。他解释说，生成式人工智能可以帮助人力资源从业者“从人力资源数据集中收集可操作定义的变量和结论，这对于人类分析师来说可能不太直观”。这是因为人工智能不太可能犯混淆相关性和因果关系的常见错误。人力资源专业人员可以使用诸如“此数据集中的因果变量是什么？”之类的提示。和“这个数据集中的相关变量是什么？”
此外，Macosko 表示，生成式人工智能可以帮助人力资源经理降低个人偏见的风险。对此的有效提示是：“请概述从这些数据中得出的结论的不同观点。”
但是，虽然从数据分析和人员分析的角度来看，生成式人工智能为人力资源提供了许多好处和效率，但它并不是万能药。人力资源专业人员仍然需要运用他们的专业知识和见解来充分利用这些工具。他们需要能够识别出他们得到的结果何时显得不正确或具有误导性。
使用生成式人工智能工具时要小心
人力资源领导者不能放弃对生成人工智能工具的分析评估的参与。
基勒姆说，最重要的是，他们需要根据数据所传达的信息发挥创造力。她回忆起有一次她正在与客户一起研究明确的期望与 10 个呼叫中心的绩效之间的关系。从表面上看，他们并没有发现太多的关系。但当研究人员开始询问有关特定中心的问题时，新的见解出现了。
在一个案例中，一场暴风雪关闭了一个中心整整一周，严重影响了本季度的生产力。“一旦我们纠正了该事件，我们就可以帮助该组织了解这两个变量之间的联系，”基勒姆说。“因此，虽然可以要求 GenAI 在数据干净且完美的情况下告诉我们两组之间在某些结果（例如保留率或生产力）上的统计差异，但只有人类分析师才能看到数据存在问题并采取一些调整措施为了它。”
Killham 强调，同样重要的是要记住，生成式人工智能是一种数据分析工具，但它不是分析。“计算器改变了数据分析。SAS 或 R 等统计软件包改变了数据分析。机器学习改变了数据分析，”她说。“伟大的分析师将学会使用这项技术作为工具，使他们的分析更加高效。但我们确实仍然需要那些伟大的分析师制定良好的提示，寻找结果中看起来‘不正常’的地方，并解决它们。”
她继续说道，“我对这项技术的经验是，它擅长提炼专业知识，使其更清晰、更简单、更容易理解，但技术和它可以访问的信息并不能替代实际的知识或经验来理解混乱的情况。人员数据可以。”
基勒姆说，非分析师可以使用其中许多功能，但他们也需要知道这些数字的含义，以及如何判断它们是否正确。
她强调，数据隐私也应该成为人力资源领导者的主要关注点——无论是在公司还是员工层面。“制定关于商业秘密、个人信息和 GenAI 的明确政策非常重要，这样就不会有人无意中引发数据隐私问题，”她说。“当我们看到各个国家和地区制定了有关 GenAI 使用的法律时，这些政策将需要进行调整。”
Bremen 对此表示同意，并补充说，了解输入这些系统的数据会发生什么情况非常重要。虽然你可以用自己的数据训练生成人工智能工具，但“由于安全问题，许多公司不想这样做，”他解释道。重要的是要了解如果将数据输入到这些系统中会发生什么情况，人工智能是否可以访问它以用于其他用途？Bremen 说，不同的工具以不同的方式处理数据，“因此，具体了解您所使用的工具将如何使用这些信息非常重要。”
提示和解释的最佳实践
提示是生成人工智能工具所提供的输出价值的关键决定因素。“为了获得最佳结果并发现有价值的见解，在生成提示时遵循一些最佳实践至关重要，”阿亚拉说。他建议人力资源专业人士：
明确且具体。清楚地阐明您正在寻找的目标和期望的结果。例如，与“分析员工敬业度”这样的模糊提示不同，更有效的提示是：“对过去六个月影响销售部门员工敬业度的因素产生见解。”
纳入背景和限制，提供具体的时间范围、人口统计数据或其他感兴趣的变量。例如：“分析工程部门25-35岁女性员工的流失率，考虑培训机会和职业发展等因素。”
重复并完善。生成提示是一个迭代过程，因此尝试不同的变化以探索多个角度和返工查询非常重要。这有助于用户更深入地研究所需的主题并产生更全面的见解。
为了评估结果的准确性和有效性，Ayala 建议用户：
交叉验证。将生成的结果与现有数据或外部基准进行比较，以评估准确性和一致性。
寻求人力资源或数据分析领域专家的意见，他们了解人员数据分析的细微差别。
根据提示测试和验证假设，然后设计实验或进一步分析以再次测试这些假设。
他说：“这种迭代方法确保了稳健的验证过程，并防止仅从人工智能生成的输出中得出错误的结论。”
底线：当今的生成式人工智能工具充满希望和潜力，但人力资源专业人员不应放弃他们在确保正确准确地使用、解释和应用数据以指导人们决策方面的重要作用。
Lin Grensing-Pophal 是威斯康星州奇珀瓦福尔斯的自由撰稿人。
-
pa
【高阶训练营】HR未来关键技能—人力资本分析（People Analytics）高阶训练营即将开班，欢迎报名
人力资本分析（People Analytics）高阶训练营简介：
目前在优秀人力资源工作者技能需求中，People Analytics 成为关键能力之一，国内尚处于早期阶段，对于PA岗位基本年薪高于HR同职级岗位50%，PA人员的需求也极大。
我们都知道人力资源部门拥有相当大量的数据信息，特别是数字化转型后的纷繁复杂的人员数据，社交数据，数据产生和使用的场景日益多样，大的计算能力出现后，使得看似不关联的数据会产生不同的解法。HR如何更加专业和技术的去使用、测量、分析从而使组织或业务受益！
C级管理者与员工期望的提升，技术的巨大进步，会使得我们HR需要进一步的掌握新的技能和知识。尤其对于决策者来讲，从以往的模糊数据结论到目前的人力洞察。
HRTechChina作为国内最早倡导和推动人力资本分析的媒体平台，特别联合科石咨询（Keystone Consulting）凭借在HR数据分析领域长达十年的推广耕耘，共同推出人力资本分析（People Analytics）高阶训练营，帮助优秀的你，帮助企业管理者决策者更清晰的获得数字化的概览的能力，结合所在行业、专业、经验、理论推动组织业绩增长！
您，是时候加入其中了！
适合的对象：人力资源总监、HR数据分析师、组织与人才效能分析专家、HRSSC负责人、HRIS负责人、PA部门同仁以及其他HR同仁
该训练营在12个月的周期内，为学员提供专属认证课程、前沿论坛、实践案例、企业参访、奖项评选、调研趋势报告、专业社群等综合的全方位支持。
训练营领衔专家：
杨冰 Robin Yang
“中国人力资源数据分析第一人” 国内组织与人才效能分析领衔专家
HRTechChina人力资本分析业务合伙人 Keystone科石咨询创始合伙人
特别安排PA训练营顾问：田旭宏
首期学员，名额有限
价格：19800元/人 现在报名赠送HRTech礼包一套，还可享受超值优惠
2人同行，可享受9折优惠
3人及以上，可享受8.5折优惠
5人以上，可享受8折优惠
训练营项目联系人：科科 微信：hrtechina
报名链接： http://hrnext.cn/usho83
-
![]()
pa
如何利用People Analytics建立一个公平的工作场所
概要：自动化正向人力资源部门走来。通过自动收集和分析大型数据集，人工智能和其他分析工具有望改善人力资源管道的每个阶段，从招聘和薪酬到晋升、培训和评估。然而，这些系统可以反映历史偏见，并在种族、性别和阶级的基础上进行歧视。
管理者应该考虑到：
1）模型很可能对大多数人口群体中的个人表现最好，但对代表性较差的群体则更差；
2）不存在真正的 "种族盲 "或 "性别盲 "模型，从模型中明确省略种族或性别甚至会使情况更糟；
3）如果人口类别在你的组织中分布不均（在大多数情况下不是这样），即使精心建立的模型也不会导致不同群体的平等结果。
人力资本分析，将科学和统计方法应用于行为数据，可以追溯到弗雷德里克-温斯洛-泰勒1911年的经典著作《科学管理原理》，该书试图将工程方法应用于人员管理。但直到一个世纪后--在计算机能力、统计方法，特别是人工智能（AI）的进步之后--该领域的力量、深度和广泛的应用才真正爆发出来，特别是，但不仅仅是在人力资源（HR）管理方面。通过自动收集和分析大型数据集，人工智能和其他分析工具提供了改善人力资源管道每个阶段的承诺，从招聘和薪酬到晋升、培训和评估。
现在，算法正被用来帮助管理者衡量生产力，并在招聘、补偿、晋升和培训机会方面做出重要决定--所有这些都可能改变员工的生活。公司正在使用这种技术来识别和消除不同性别、种族或其他重要人口统计类别的薪酬差距。人力资源专业人士经常使用基于人工智能的工具来筛选简历，以节省时间，提高准确性，并发现与更好（或更差）的未来表现有关的隐藏的资格模式。基于人工智能的模型甚至可以用来建议哪些员工可能在不久的将来辞职。
然而，尽管人力资本分析工具有如此多的承诺，但它们也可能使管理者严重误入歧途。
亚马逊不得不扔掉一个由其工程师建立的简历筛选工具，因为它对女性有偏见。或者考虑一下LinkedIn，它被世界各地的专业人士用来建立网络和搜索工作，也被人力资源专业人士用来招聘。该平台的搜索栏的自动完成功能被发现建议用 "Stephen "这样的男性名字来代替 "Stephanie "这样的女性名字。
最后，在招聘方面，一个关于科学、技术、工程和数学（STEM）领域机会的社交媒体广告，被精心设计为性别中立，但在一个旨在使招聘者的广告预算价值最大化的算法中，男性被显示的比例过高，因为女性通常对广告反应更强烈，因此向她们显示的广告更昂贵。
在每一个例子中，分析过程中都出现了故障，并产生了无意的--有时是严重的--对某一特定群体的偏见。然而，这些故障可以而且必须被预防。为了实现基于人工智能的人力资本分析的潜力，公司必须了解算法偏见的根本原因，以及它们如何在常见的人力资本分析工具中发挥作用。
分析过程
数据并不是中立的。人力资本分析工具通常是建立在雇主对员工的招聘、保留、晋升和报酬的历史数据之上。这些数据总是反映了过去的决定和态度。因此，当我们试图建立未来的工作场所时，我们需要注意我们的回顾性数据如何反映旧的和现有的偏见，并可能无法完全捕捉到日益多样化的劳动力中人员管理的复杂性。
数据可能直接带有明确的偏见--例如，你公司的绩效评估可能在历史上对某个特定群体有偏见。多年来，你已经纠正了这个问题，但如果有偏见的评价被用来训练人工智能工具，算法将继承并传播偏见。
还有一些更微妙的偏见来源。例如，本科生的GPA可能被用作智力的代表，或者职业执照或证书可能是技能的一个衡量标准。然而，这些衡量标准是不完整的，往往包含偏见和扭曲。例如，在大学期间不得不工作的求职者--他们更有可能来自低收入背景--可能得到较低的成绩，但事实上他们可能是最好的求职者，因为他们已经表现出克服障碍的动力。了解你想测量的东西（如智力或学习能力）和你实际测量的东西（如学业考试成绩）之间的潜在不匹配，对建立任何人力资本分析工具都很重要，特别是当目标是建立一个更多样化的工作场所时。
一个人力资本分析工具的表现是它所提供的数据和它所使用的算法的产物。
在这里，我们提供了三条经验，你在管理你的员工时应该牢记在心。
首先，最大限度地提高预测的整体质量的模型--最常见的方法--很可能对大多数人口群体中的个人表现得最好，但对代表性较差的群体则较差。这是因为算法通常是最大化整体准确性，因此在确定算法的参数时，对多数人口的表现比对少数人口的表现有更大权重。一个例子可能是一个用于由大多数已婚或单身且无子女的人组成的劳动力的算法；该算法可能确定使用个人日的突然增加表明辞职的可能性很大，但这个结论可能不适用于那些因为孩子生病而需要时常休假的单亲父母。
第二，不存在真正的 "种族盲 "或 "性别盲 "模式。事实上，在一个模型中明确省略种族或性别，甚至会使事情变得更糟。
考虑一下这个例子。想象一下，你的基于人工智能的人力资本分析工具（你一直小心翼翼地避免提供性别信息）在预测哪些员工可能在被雇用后不久就辞职方面取得了良好的记录。你不确定该算法到底发现了什么--对用户来说，人工智能的功能经常像一个黑匣子--但你避免雇用被该算法标记为高风险的人，并看到新员工在加入后不久就辞职的人数有了明显的下降。然而，若干年后，你因在招聘过程中歧视女性而遭到诉讼。事实证明，该算法不成比例地筛选出了来自缺乏日托设施的特定邮政编码的妇女，给单身母亲带来了负担。如果你知道，你可能已经通过在工作附近提供日托服务来解决这个问题，不仅避免了诉讼，甚至使你在招聘这一地区的妇女时获得竞争优势。
第三，如果像性别和种族这样的人口统计学类别在你的组织中不成比例地分布，这是典型的情况--例如，如果过去大多数管理人员是男性，而大多数工人是女性--即使精心建立的模型也不会导致不同群体的平等结果。这是因为，在这个例子中，一个识别未来管理者的模型更有可能将女性错误地归类为不适合做管理者，而将男性错误地归类为适合做管理者，即使性别并不是模型的标准之一。总而言之，原因是模型的选择标准很可能与性别和管理能力相关，因此模型对女性和男性的 "错误 "程度不同。
如何正确对待它
由于上述原因（以及其他原因），我们需要特别注意基于人工智能的模型的局限性，并监测其在人口群体中的应用。这对人力资源部门尤其重要，因为与一般的人工智能应用形成鲜明对比的是，组织用来训练人工智能工具的数据很可能反映了人力资源部门目前正在努力纠正的不平衡现象。因此，企业在创建和监测人工智能应用时，应密切关注数据中的代表人物。更重要的是，他们应该看看训练数据的构成如何在一个方向上扭曲人工智能的建议。
在这方面，有一个工具可以提供帮助，那就是偏见仪表板，它可以单独分析人力资本分析工具在不同群体（如种族）中的表现，从而及早发现可能的偏见。这个仪表盘突出了不同群体的统计性能和影响。例如，对于支持招聘的应用程序，仪表板可以总结出模型的准确性和错误的类型，以及每个群体中获得面试机会并最终被录用的比例。
除了监测性能指标外，管理者还可以明确地测试偏见。一种方法是在训练基于人工智能的工具时排除一个特定的人口统计学变量（例如，性别），但在随后的结果分析中明确包括该变量。如果性别与结果高度相关--例如，如果一种性别被建议加薪的可能性过大--这是一个迹象，表明人工智能工具可能以一种不可取的方式隐含地纳入了性别。这可能是该工具不成比例地将女性确定为加薪的候选人，因为在你的组织中，女性往往报酬不足。如果是这样，人工智能工具正在帮助你解决一个重要问题。但也可能是人工智能工具加强了现有的偏见。需要进一步调查以确定根本原因。
重要的是要记住，没有一个模型是完整的。例如，一个员工的个性很可能会影响他们在你公司的成功，而不一定会显示在你关于该员工的人力资源数据中。人力资源专家需要对这些可能性保持警惕，并尽可能地将其记录下来。虽然算法可以帮助解释过去的数据和识别模式，但人力资本分析仍然是一个以人为本的领域，在许多情况下，特别是困难的情况下，最终的决定仍然要由人类来做，这反映在目前流行的短语 "人在环形分析 "中。
为了有效，这些人需要意识到机器学习的偏见和模型的局限性，实时监控模型的部署，并准备采取必要的纠正措施。一个有偏见意识的过程将人类的判断纳入每个分析步骤，包括意识到人工智能工具如何通过反馈回路放大偏见。一个具体的例子是，当招聘决定是基于 "文化契合度 "时，每个招聘周期都会给组织带来更多类似的员工，这反过来又使文化契合度变得更窄，有可能违背多样性目标。在这种情况下，除了完善人工智能工具之外，可能还需要扩大招聘标准。
人力资本分析，特别是基于人工智能的分析，是一个令人难以置信的强大工具，已经成为现代人力资源不可或缺的工具。但量化模型的目的是协助，而不是取代人类的判断。为了最大限度地利用人工智能和其他人力资本分析工具，你将需要持续监测应用程序如何实时工作，哪些显性和隐性标准被用来做决定和训练工具，以及结果是否以意想不到的方式对不同群体产生不同影响。通过对数据、模型、决策和软件供应商提出正确的问题，管理者可以成功地利用人力资本分析的力量来建立未来的高成就、公平的工作场所。
来自HBR ，作者 David Gaddis Ross David Anderson Margrét V. Bjarnadóttir
-
pa
人力资本分析的六步法
这并不是一个秘密。许多人力资本分析项目失败了。很多人力资本分析的自助解决方案已经实施，但很少被使用。人力资本分析的潜力没有得到充分利用的主要原因是人力资源部门内缺少人力资本分析的思维方式。对于大多数人力资源专家来说，分析并不自然。他们应该如何利用他们不知道的东西？甚至在做决定之前要求分析性的见解？人力资源部门内的分析缺陷是众所周知的。但仅仅提及这种缺失的心态并不能解决问题。我们需要把它带到人力资源部门。
那么，实际上需要什么来进行分析性的思考和决策呢？同样重要的是，我们如何才能最好地沟通这种思维方式？为了准确回答这些问题，我和英飞凌人事分析团队的同事们开发了一个六步法。这些步骤旨在确保以科学的、分析驱动的、基于事实的方法来进行决策。然而，这种方法很容易被那些不熟悉这种思维方式的人所理解。最后我们意识到，在建立正确的心态方面，这种类型的方法比仅仅谈论心态这样模糊的东西或教授统计技能要有效得多。
1. 澄清问题
这听起来更像是一种形式，但令人着迷的是，它经常被忽略掉。在这一步中，你要确保你对问题有一个清晰的认识。一份书面的问题陈述可以帮助你将自己对问题的理解与他人的理解进行反复检查。很多时候，我们似乎在某些方面达成了一致，但后来却发现每个人对这件事的解释都非常不同。
问题陈述也提醒我们，我们实际上想解决一个问题。经常发生的情况是，我们已经有了一个解决方案，但却不了解我们想要解决的问题到底是什么。
2. 形成假设
在下一个步骤中，我们要提出关于某件事情发生的原因的理论，例如，为什么某个部门的减员率这么高。提出假设对我们来说并不新鲜。每当我们在日常生活中处理决策时，我们都会下意识地对潜在问题的根本原因形成假设。然而，人力资本分析方法要求对这些假设进行明确陈述。而且，它要求你的假设不能仅仅基于你的直觉。包括文献和互联网研究，以及同事和其他主题专家的意见，是一个好主意。
现在你可能会说，我们为什么需要假设呢？数据不是应该告诉我什么是错的吗？不，这不是它的工作方式。有两个原因。第一，我们不知道该看哪些数据。外面有大量的数据。一个适当的假设有助于引导我们寻找正确的数据。第二，甚至更重要的是，数据只是数据。为了将数据转化为有意义的信息，它需要被置于背景之中。数据需要解释。再说一遍，假设正是这样做的。如果没有至少对我们正在寻找的东西有一个粗略的想法，我们就不会找到答案。没有假说的数据是毫无用处的。这就是为什么数据科学家团队永远无法单独完成工作的原因。它总是需要与主题专家紧密合作。
3. 收集数据和测试假设
在提出假设之后，就是使我们的方法真正具有分析性的阶段。我们用数据来测试我们的假设。而不是像我们在日常生活中通常做的那样，只是相信我们是对的，我们现在要证明或拒绝我们的假设。假设的提出和测试是一个反复的过程。我们形成一个假设，测试它，有时接受它，完善它，然后再次测试它。显然，人力资源从业者在这一步骤中需要很多支持。这种支持可以是来自人力资本分析团队的咨询，也可以是来自分析自我服务工具。这些自助服务工具可以从简单的Tableau或PowerBI仪表盘到复杂的云解决方案，如Visier或SplashHR。由于我们已经建立了人力资本分析心态，对先进工具的投资将不再被认为是不合理的。现在，人力资源专家是要求使用这些工具的人，因为他们需要这些工具来测试他们的假设。他们实际上利用了驱动因素和相关分析。这种情况与以前非常不同，以前一些分析专家试图推销这种解决方案，但没有人愿意。
4. 得出适当的决定
现在我们已经确定了问题的根源，是时候在第四阶段选择正确的决策方案了。这一直是人力资源从业者的核心能力，他们也确实擅长此道。由于适当的假设制定和测试，他们现在能够选择那些真正解决根本原因的措施。
5. 通过讲故事用事实和数据说服人
这一步是通过使用 "用数据讲故事 "的技巧来交流你的发现。人力资源部门越是想成为一个有战略意义的机构，就越是发现自己处于咨询的角色。而咨询意味着要说服别人。现在，许多人力资源专家已经习惯于谈论数据了。他们介绍最近的人数，或者谈论员工流失率的变化。但我们需要做的是用数据来说服人。而这恰恰是本阶段的重点。如果你正在寻找一些关于如何有效地用数据讲故事的好主意，我推荐Cole Nussbaumer的同名书籍和课程。
6. 执行决定，监测并采纳它们
最后，这一步是关于执行衍生措施和监测。即使我们采用了科学的决策方法，也不一定意味着我们得到了所有的权利。我们需要监测我们措施的成功。根据结果，我们可能需要调整措施或重新定义我们的假设。人力资本分析方法并不是一种打了就跑的事情。相反，对措施的监测为假设的制定和扩大我们基于经验的知识提供了宝贵的输入。
通过遵循这简单的6个步骤，你的人力资源工作者应该习惯于分析性思维和基于事实的决策。这最终会引发对分析自助工具、新数据和人力分析团队的咨询服务的需求。而这种来自你的人力资源从业者的需求正是一个成功的人力资本分析功能所真正需要的。
作者：Christian Otto
-
pa
【重磅】2021人力资本分析大奖评选揭晓，祝贺获奖企业，感谢一起推动中国的人力资本分析发展与进步！
2021年9月24日，2021人力资本分析高端私享会在上海举办，会议汇聚来自国内最优秀的人力资本分析的同仁，如来自阿里巴巴、罗氏集团、快手、蔚来汽车、星展银行、上海建筑设计研究院、卡尔蔡司、仁云科技、顾家家居、SHEIN、RRD、晨光文具等知名公司。
在现场的PA同仁见证下，会议中揭晓了2021人力资本分析大奖最佳实践奖的获奖企业，本次专业前沿的奖项，吸引了近20家优秀的企业提名参与，经过评审专家的评审，访谈，评选出以下获奖的三家企业。
在论坛中，获奖企业也现场分享了他们的最佳实践案例，纷纷表示受益匪浅！
为他们点赞！
关于2021人力资本分析大奖
HRTechChina作为国内最早倡导和推动人力资本分析的媒体平台，特别联合科石咨询（Keystone Consulting）凭借在HR数据分析领域长达十年的推广耕耘，于2021年开启国内“人力资本分析大奖”评选活动，以“新视角、新思维、新价值”为核心视角，启动的PA专业评选。人力资本分析（People Analytics）不仅关注指标、算法、工具和技术，更强调数据驱动的文化、思维和工作方式。
因此，当代人力资源管理者需要持续拥抱变化，运用数据分析的方法论和工具，借助科技手段，持续创造人力资源管理价值，为企业赋能和驱动业务增长。
2021人力资本分析大奖旨在推动People Analytics在组织中的落地和应用。
关于HRTechChina
HRTechChina 是中国首家领先的专注人力资源科技商业服务平台，作为HR领域唯一深度垂直独立的第三方专业服务机构，致力于推动中国人力资源科技进步与发展，持续引领行业新科技新趋势新产品新方向。
HRTechChina核心报道中国HR科技创新企业与产品，关注并实时分享全球的人力资源科技资讯。定期发布行业市值榜单和HR科技云图，持续举办高品质的专业前沿论坛论坛，表彰认可业内先进。
-
pa
【调研】2021第二届人力资本分析（People Analytics）在企业中职能发展与应用实践调查
尊敬的阁下：
诚挚邀请参与《2021人力资本分析（People Analytics）在企业中职能发展与应用实践调查》
参与调研地址：http://hrnext.cn/2wbHX1 或点击阅读原文
调研简介：
行业领先的公司越来越倾向借助数据分析发现问题和引领人力资源管理价值创造，人力资本分析（People Analytics）成为当前热门话题，PA在企业中的实际运用情况究竟如何?针对这一系列问题，HRTechChina联合Keystone 科石咨询启动2021第二届 “中国企业人力资本分析（People Analytics）职能发展与应用实践”的调查研究，旨在了解人力资本分析（People Analytics）职能的在中国企业的实际发展和应用现状。请在9月11日前填写并提交本问卷，合格的内容提交者将获取本次活动的调查报告与相关洞察。
本次调研由HRTechChina联合Keystone科石咨询 共同发起。提交内容我们会认真审核提交内容，仅作为本次调研报告使用，不会泄露任何公司隐私信息。
适合参与调研的对象：CHRO、HR总监、HRSSC负责人、HRIS负责人、PA专业人员、HR经理人等相关专业人士
适合参与企业的规模：100+以上规模企业（总部规模可小于100人）
关于HRTechChina
HRTechChina 是中国首家领先的专注人力资源科技商业服务平台，作为HR领域唯一深度垂直独立的第三方专业服务机构，致力于推动中国人力资源科技进步与发展，持续引领行业新科技新趋势新产品新方向。
HRTechChina核心报道中国HR科技创新企业与产品，关注并实时分享全球的人力资源科技资讯。定期发布行业市值榜单和HR科技云图，持续举办高品质的专业前沿论坛论坛，表彰认可业内先进。
关于Keystone科石
科石（Keystone Consulting）是一家聚焦于组织与HR创新的咨询机构，业务涉及管理咨询、学习发展和信息调查。科石是国内第一家聚焦组织与人力资源数据与效能分析的管理咨询机构，引领该领域管理实践与方法论的建立。通过培训、咨询等方式，推出了一系列创新产品，辅导多家企业创造业内最佳实践。
项目联系：pa@hrtechchina.com
微信客服：hrtechina 科科
参与调研地址：http://hrnext.cn/2wbHX1
-
pa
【加拿大】温哥华的人力资本分析平台Visier宣布获得1.25亿美元的E轮融资、
由高盛资产管理公司牵头的融资凸显了市场对改善人员数据的需求
近日，全球公认的人力资本分析和规划领域的领导者Visier宣布，它在高盛资产管理公司（Goldman Sachs）领导的E系列融资中筹集了1.25亿美元，估值超过10亿美元。这项投资标志着人力资本分析市场增长的历史性时刻，Visier成为该领域中第一个达到10亿美元估值的独立供应商。
"Visier首席执行官Ryan Wong说："企业对更好地了解其组织内的人员有着空前的需求。"从人力资源领导到人事经理和高管，对劳动力的洞察力对于为企业、员工、客户以及公平和公正的社会提供正确的结果至关重要。"
"Visier公司联合创始人兼董事长John Schwarz说："与高盛公司在Visier公司下一阶段发展中的合作，强调了人力资本分析已经成为主流商业实践的事实。"这项投资是将Visier确立为与人有关的商业洞察力的独立全球云平台的关键。"
由于对企业提出的更好地了解、关心和支持其员工的要求越来越多，同时也为企业带来了最佳的业绩，企业正处于迅速和大规模的转型之中。从美国证券交易委员会的法规要求更多关于多样性、公平性和包容性的数据和透明度，到大流行病带来的向远程劳动力的快速转变，对人力资本分析的需求从未像现在这样迫切。
"高盛资产管理公司的董事总经理Holger Staude说："获取有关员工和组织健康的信息从未像现在这样重要。"我们很高兴在这个关键时刻与Visier合作，并支持该公司的持续增长。"
为了引领这个人力资本分析的新时代，Visier将利用这笔资金扩大和加快产品开发和国际市场扩张。
这项融资公告是在Visier的一个里程碑式的季度之后发布的。该公司最近宣布突破8000名客户大关，并与Cegid、PeopleFluent和Degreed签署了嵌入式合作伙伴协议。截至2021年，Visier在全球75个国家处理超过1200万条员工记录，其企业客户包括Adobe、巴斯夫、普利司通、电子艺术、麦肯锡、默克公司、Uber等。
Visier此前在四轮融资中筹集了9450万美元，使该公司的总融资额达到2.195亿美元。高盛加入了现有投资者Sorenson Capital、Foundation Capital、Summit Partners和Adams Street Partners。
有了这笔投资，Visier加入了人力资源技术供应商的精英名单，在单轮融资中筹集了超过1亿美元的资金；这家位于温哥华的公司还加入了加拿大独角兽公司的专属行列，如Clio、Wealthsimple、Thinkific、Trulioo等等。
LionTree Advisors担任财务顾问，Morgan, Lewis & Bockius LLP担任Visier的法律顾问。Sidley Austin LLP担任高盛公司的法律顾问。
关于Visier
Visier是人力资本分析和劳动力规划领域公认的全球领导者。Visier于2010年由商业智能的先驱者创立，它专注于企业领导人所关心的问题：回答正确的问题，甚至是一个人可能不知道该问的问题。这些问题形成了企业战略，为采取行动提供了动力，并通过劳动力优化推动了更好的业务成果。Visier总部位于不列颠哥伦比亚省温哥华，在全球设有办事处和团队成员，在全球75个国家拥有8000名客户，包括Adobe、巴斯夫、普利司通、电子艺术、麦肯锡、默克公司、Uber等企业。
-
pa
【美国】人力资本分析平台ChartHop完成3500万美元B轮融资！GOGOGO!
来自纽约的人力分析领域的领先创新者ChartHop在B轮融资中筹集了3500万美元，由Andreessen Horowitz（a16z）领投，Elad Gil以及之前的投资者Cowboy Ventures和SemperVirens加入。
这项投资是在Andreessen Horowitz于2020年夏天领投ChartHop的1400万美元A轮融资后不到一年的时间。
自2019年以来，ChartHop出现了指数级的增长，从一个人的公司到一个75人的团队。在同一时期，ChartHop建立了一个由130多个企业客户组成的客户群，在过去的12个月里，月度收入增长了17%。
这标志着Andreessen Horowitz对ChartHop的连续第三次投资，他们还在2020年初领导了ChartHop的种子轮融资。
"Andreessen Horowitz的普通合伙人David Ulevitch说："由于人力资源和人事职能对企业的发展和成功如此关键，不幸的是，大多数人力资源团队缺乏关键的人事数据来推动组织决策。"ChartHop是解决这个太过普遍的问题的方案，它是由亲身感受过这种痛苦的公司领导人建立的。"
"Ulevitch说："ChartHop对人员分析的可视化方法使领导者能够自信地做出组织规划和战略决策。"我们很高兴领导ChartHop的B轮融资，因为他们有令人印象深刻的增长，公司的愿景，以及他们所组建的了不起的、以使命为导向的团队。"
ChartHop在人员分析方面的创新方法使公司能够汇总和可视化他们的人力资源数据，在组织的各个层面提供一致性、清晰性和背景。例如，随着公司采用更公平的做法，确保薪酬变化与实际业绩数据相联系是至关重要的。通常情况下，这些数据集生活在完全独立的平台上，使得领导者很难做出基于数据的薪酬调整。这适用于有效的员工人数规划、减少员工流失、跟踪DEI计划的成功等等。
"ChartHop的客户ZoomInfo的人力资源副总裁Sara Howe说："自从今年早些时候实施ChartHop以来，我们看到我们在参与人才常规管理方面有了明显的改善，因为他们是通过ChartHop管理的。"我们的员工发现，简单的用户界面和对他们数据的集中查看是最有帮助的功能。ZoomInfo的领导人也利用ChartHop确保他们的组织结构良好，以支持我们的持续快速增长。"
ChartHop将利用这笔资金注入，通过产品增强、服务和支持方面的投资以及市场推广能力的增长，继续快速扩张业务。
"ChartHop的客户可以获得通常不可能获得的东西：准确、综合的人员数据，"创始人兼ChartHop首席执行官Ian White说。"但数据只有在可以获得的情况下才是有用的。这就是为什么我们通过组织结构图、报告和地图等熟悉的可视化方式提供数据，并让整个组织安全地使用。
"White总结说："这笔资金使ChartHop有机会在我们强大的基础上继续发展，因此我们可以继续帮助我们的客户专注于战略性人员举措，并最终改善组织的健康状况。
关于ChartHop
ChartHop为人员分析提供了新的思路，将不同来源的人员数据汇集到一个动态平台上，使其具有可视化和可操作性。与传统的人员分析解决方案不同，ChartHop被设计为供整个组织使用。这有助于企业改善组织的健康状况，推动一致性和问责制，并节省时间和金钱。ChartHop通过在整个人力资源技术堆栈中的强大集成，与数十种平台发挥了良好的作用，并为BetterCloud、Lightspeed、Starburst和InVision等公司服务。
ChartHop由Ian White于2019年创立，并得到Andreessen Horowitz的支持。
-
pa
【趋势】这就是亚马逊和谷歌等大公司纷纷投资于People Analytics的5个原因
领先的组织正越来越多地采用复杂的方法来分析劳动力数据，以增强其竞争优势。谷歌、亚马逊、思科和其他公司都能够了解究竟如何吸引、保留和确保其员工的生产力。人力资本分析（People Analytics）已经成为一个不可或缺的战略工具，使这些公司能够提高其卓越的绩效。
如果你想让你的劳动力--你最大的资产--有更好的表现，拥抱人力资本分析（People Analytics）而不是你的本能是前进的方向。
1. 人力资本分析（People Analytics）可以帮助组织理解不断变化的工作场所
工业4.0的引入要求组织在处理其劳动力问题时变得更加灵活。人力资本分析（People Analytics）使组织能够收集行为洞察力，并与现有的人口统计和交易信息相关联。这些洞察力使组织能够管理跨时代和跨大陆的劳动力期望，使组织能够预测不断变化的工作场所。
2. 人力资本分析（People Analytics）可以帮助推动客户的行为和洞察力
大企业开始使用预测性人力资本分析（People Analytics）来获得强大的洞察力，使他们能够吸引和保留他们的外部以及内部客户--员工。就像客户体验一样，我们可以看到在创造员工体验方面的演变，这些体验是通过人力资本分析（People Analytics）发展起来的。优先考虑员工体验已经使组织能够激发他们的潜力。
"最大的公司明白，通过应用数据驱动的工具来改善关于人才的决策，他们可以提高收入和利润。"
3. 人力资本分析（People Analytics）可以描述出促进员工队伍敬业的因素
一个有敬业度的员工队伍的效率要高57%，离职的可能性要低87%。员工敬业度被认为是用来衡量组织绩效的主要因素之一。人力资本分析（People Analytics）使组织能够磨练出获得员工敬业的因素。
4. 人力资本分析（People Analytics）将人力资源部门定位为基于事实的企业战略合作伙伴。
人力资本分析（People Analytics）对人力资源部门的预测和可信度产生了巨大影响。通过人力资本分析（People Analytics）获得的洞察力使人力资源战略家能够优化关键战略领域，如健康和安全、管理技能、领导力发展、参与度、文化协调和继任计划。使得人力资源部门能够向企业提供关于人员方面的战略洞察力。
"领先的组织正在越来越多地采用分析劳动力数据的复杂方法，以增强其竞争优势。"
5. 人力资本分析（People Analytics）有助于释放企业的无形资产的价值
企业的无形资产占企业所产生价值的80%以上。人力资本分析（People Analytics）试图捕捉和综合企业产生的这种价值。最大的公司明白，通过应用数据驱动的工具来改善有关人才的决策，他们可以提高收入和利润。
扫一扫 加微信
hrtechchina
