量化管理，得出洞見

文/于莉莉

互聯網技術不斷發展，人力資源管理與數據信息采集和可視化處理等環節緊密相連，獲取數據、篩選數據、分析數據和處理數據是人力資源大數據管理革新的關鍵。基于各種先進的計算機算法、數據處理技術和存儲技術，可對海量的數據信息數據進行采集整理、篩選和分析，這不僅有助于降低人力資源管理的工作難度，還可有效提高管理效率，達到量化管理的目的，為人才選拔和人才晉升提供數據參考和便利的渠道。

數據量化變革

大數據浪潮來襲，一些具有前瞻性管理理念的企業越來越傾向于采用大數據量化分析的方法進行管理實踐，從而提升人力資源管理競爭優勢。數據分析的關鍵是人力資源管理的量化思維，以價值和邏輯為導向，整理、分析并發掘數據中存在的關鍵信息，通過數據統計、內外部對比、動態分析等方式，加以分析、利用，這是人力資源管理專業價值的重要體現。具體來講，人力資源量化變革主要體現在以下三個方面：

第一個方面是思維變革。對于海量數據信息，人力資源管理人員需要轉變思維模式，通過不斷學習武裝自己，以擁有更加清晰的判斷力和洞察力、更強的決策力，能從多樣化和不斷變化的數據信息中獲取有用的信息。

第二個方面是工作的量化。早期的人力資源管理多以紙質版為主，以記錄、存檔為主，隨著電子信息技術的發展，數據信息龐大而繁雜，借助計算機技術，可以快速有效地將各個有關聯的數據聯系起來，對各個數據信息進行量化處理和分類處理，實現降本增效。

第三是構建企業數據平臺。在明確業務需求場景和用戶需求后，通過大數據分析平臺，獲取有價值的信息，需要訪問數據，明確基于現場業務需求的大數據平臺具有基本功能，確定平臺的流程，再進行處理和組建框架。對這些零散的數據進行有效的分析，得到有價值的信息，是企業構建數據平臺的重要意義。

然而現階段，在日常人力資源管理工作中，即便做了一些大數據的分析準備工作，也仍難以真正支持人才與業務決策。比如通過前期數據分析，企業知道員工敬業度存在問題，但我們需要了解采取什么行動來推動改善；盡管企業試圖阻止90 后員工離職，但現階段仍然很少有企業能阻止他們說走就走；企業想知道什么樣的管理結構會為銷售部門帶來積極的結果；企業想提升90 后員工的積極性，但不確定是什么能夠提升他們的積極性，也不確定未來領導者的驅動力是什么；我們甚至不確定獎勵員工的方式是否符合他們的薪酬理念。

其實，這些困惑通常可以通過實施有效的數據量化分析來得出答案。針對不同的人力資源管理情境，首先我們需要識別出什么樣的關鍵指標可以用于支持科學決策，哪些用于日常監測，哪些用于趨勢預測。

舉個例子：現在比較流行人力資源量化管理與數據分析的概念，有些管理者用EXCEL 軟件做員工離職率分析，可是當應用到實踐中時，并沒有解決根本問題，只是看起來容易一些。人力資源量化分析不是一個工具能解決的，我們首先要做的是理解它的深層思維。以分析員工離職率為例，分析它的目的是找到離職原因及改進方法，管理者需要通過績效評估、能力評估利用數據分析，識別人員層次，并采取措施，解決人員問題。

數據量化管理

網絡技術的進步促使大量數據信息進入企業的數據庫中，要從大量的數據信息中挖掘出準確的、有價值的信息還需要借助高新先進技術，對數據進行處理、判斷，去偽存真，最終獲取真正有價值的信息。人力資源管理人員想要從人才信息市場中快速匹配到企業所需要的人才，需要借助計算機技術對多樣化的數據信息進行篩選、清洗，去除冗余錯誤的數據信息，留下真實的有價值的信息。此外，大量數據信息的分析、整理和歸檔也需要借助存儲技術。

大數據時代愈演愈烈，多樣化、多元化、多源性的數據信息齊聚各個網絡虛擬平臺。管理理念是構建人力資源管理體系的思維支撐，是搭建人力資源量化管理平臺需要遵循的基本原則，在管理技術發展的同時需要不斷完善管理理念。在大數據時代，傳統的管理經驗缺少“循數治理”的理念，在基于數據分析實現人力資源量化管理方面存在一定局限。

以A 公司為例，A 公司的主營業務是生產加工某儀器零部件，因為有部分流程需要手工操作，非常適合女性工作者，目前A 公司男性占比70%，女性占比30%；通過調查數據和企業的實踐結果看，女性工作者的勞動效率平均比男性工作者高30%；而在A 公司最大的競爭對手B 公司中，女性勞動者占比是70%，且B公司的勞動效率高于A 公司。

基于這三條信息，A 公司開始考慮調整男女比例結構。那么，應該采取什么行動方案呢？許多人會說，裁掉部分男性員工，大批量招聘女性員工。這種行動方案顯然太過簡單，而且在短期內，會增加企業的招聘成本和離職成本，降低效率。無論是從成本角度、效率角度，還是社會形象的角度，對A 公司都是不利的。

那么解決辦法是什么？A 公司可以針對員工流動率搞一個內部調查，做出性別結構調整計劃，調查結果顯示現在每年操作工的流動率是20%。假如每年流失的一線操作工全部用女性勞動者來補充，理論上要用兩年的時間實現男女比3 ∶7。在方案實施的過程中，再持續調整和評估。

然而還有一些問題需要思考。比如，實現 3 ∶7 的男女比例就能實現效率最高嗎？不一定。因為有可能有很多男性勞動者實際上從事著更適合女性勞動者的工作。同樣地，有很多女性勞動者實際上從事著更適合男性勞動者的工作。只不過是男女比例的數字加總之后，恰好是3 ∶7。

所以從整體上來看，企業的男女比達到3 ∶7，表面上是達到了效率最高，但是細化地分析之后，很可能并不是這樣。所以要真正找到問題，數據量化分析也應細化到相應的維度。

同樣的道理，當企業面對如何調整年齡梯隊、如何人崗匹配這些問題時，也可以用量化分析找到問題、形成方案、采取行動、持續評估。比如人力資源工作者在向領導匯報時，只匯報公司30歲以下的員工占比34%，40 歲以上50 歲以下的員工占比45%；研究生以上學歷的人有23 人，本科生有104 人。此時領導會反問你，這些數字要表明什么，為什么要分析這些數據，這些數據背后的信息是什么，我們通過這些數據如何提升管理水平，這些問題都沒有解決方案，那么這些數據就是無意義的。這就是人力資源部門無法躋身為核心部分的關鍵。大數據分析，不是簡單地羅列數字信息，做出好看的圖表或儀表盤，而是通過模塊分析真正深入地分析問題和解決問題。

值得注意的是，量化不是要對所有的事項都進行分析，否則會走入另一個極端。量化之外需要考慮系統性，不是所有的事項都可以簡單量化，也不是量化了就一定正確。例如，員工因為內部分歧來找領導投訴，這種情況就沒法量化。再比如，企業開展敬業度調查，但如果是實名制，而且領導有指標，這樣的量化就沒有任何意義。所以，量化并不是管理的全部，量化只是一個管理的手段，我們最終還是從大數據中回歸管理的本源。

在企業開始探索量化管理的時候，首先要做的就是列一張清單，畫出主要變量的分布、重要變量間的關系等等。這樣的清單本質上是基于你目前對企業的理解的預測。然后分析數據、畫圖、總結，做任何需要做的事情來看它是否和你的期望相符。如果有事物并不匹配，或者讓你覺得“這很奇怪”的地方，那么這就是你要重點關注的領域。

大數據時代對人才資源量化管理提出了新要求，從技術、資源、理念和管理模式等多維角度出發，從流程、知識、績效考核和人才梯度等維度搭建人才資源量化分析管理體系，是推進人才資源量化管理發展、提高管理效率的重要途徑。但大數據時代仍然在不斷發展，數據信息不斷擴大，因此對于人才資源管理，需要不斷促進數據處理、篩選技術的創新發展，不斷更新人才資源管理體系。從數據回溯到企業中最根本的原因需要時間、精力和耐心。通常來說，大數據會更了解企業的細微之處，使管理的方向更有針對性，并且最終能夠找到更為深入的洞見。