HR，快来发现小数据之美
文／科石高级顾问 Robin
最近在多个活动上，我在现场做调研，HR真正使用大数据手段展开分析的请举手，结果是寥寥无几。据我所知，即便是HR数据管理非常优秀的公司，如Honeywell、华住酒店集团，也难以通过所谓大数据的方式进行管理。
大数据的理念和技术，应用在信息处理上，如营销中的市场分析，其可以打破点状信息与全样本的不对称，宏观纠偏，提升精度。不过这不是最关键的，重点是其容错空间巨大。 但大数据思想一旦运用在企业内部管理上，管理者包括HR在使用数据来做决策时，其精确性或客观性要求往往较高，特别是对于实际问题的解决，其容错空间大大缩小。因此，管理中的大数据思想几乎可以说一个伪概念。原因是多数管理中的数据，包括HR管理的数据，其规模是相对小的，这些数据往往是是零散的、不精确的、不连贯的、定义不统一的，其远远不能称之为大数据，在这样的数据基础上，你敢说可以开展大数据分析吗？
事实上HR的数据分析与大数据思想恰恰相反，我们应该具备的是将数据变小的本领，需要关注敏感有价值的数据，而非一味开展人均培训小时数、人均人工成本、人均招聘成本等一阶分析或宏观分析的内容。你可以这样去理解我们即将开展的小数据分析：
1、细分样本对象
这是小数据分析寻找数据价值的关键基础。样本对象的划分从组织（集团下属企业之间、事业部之间）到岗位类型（职位类别或管理层级），再到人员性质（新老员工、不同年龄和学历的员工等）的划分，二维、三维或多维分析。很简单，“新进的年轻的高学历的研发人员对绩效管理中考核评分客观性的满意度较低”的分析结论，明显比“员工在绩效管理方面的满意度较低”更有价值。
2、关注异常值
统计学中，在展开样本分析时，对于数据异常值，往往视其为糟粕，注意，在HR管理中，这些小数据，其敏感性往往较高，往往可以从中发掘有趣的、典型的、令人担忧的或其他有重要价值的趋势、结论。如满意度和敬业度的异常值、薪酬管理中的异常值、绩效考核中的异常值等。
3、关注数据差异性
同一类数据样本中的差异性也是我们需要关注的重点，和异常值一样数据的差异性往往通过离散程度来进行发现，简单的方法如使用分位值、极差、两倍标准差等基础统计方法。两个部门的平均绩效得分相同，但两倍标准差（有95.5%的可能性使得数据落在这个范围之内）相差一倍，就可以发现其离散程度、评分的客观性或指标设计合理性等方面的问题。
4、已知相关要素的关联分析
为什么分析相关要素？不是说不相关要素之间找出关联的价值更大吗？如果不相关，要素之间的驱动型就是直接的吗，如果不相关，却又有关联价值，这难道不是自相矛盾？我们重点关注的是，相关因素之间，关联因子和程度是怎样的，分析是过程，结论、建议、改进方案是重点，关联性找到后，就可以得出如何驱动的结论。如薪酬定位和关键人才离职率、敬业度与组织能力、人力资本和企业效益。
5、变化性对比
我在前面的文章中曾经提到过动态分析的重要性，基于活的数据，归纳或演绎。HR数据分析的最高境界，和所以商业、管理职能的数据分析价值一样，是预测。变化性对比分析将帮助你实现这样的结果，两个相关的、动态的因素之间，取得变化规律并开展建模和预测。
当细分了样本对象，关注到异常值和数据的差异性，并且开展了相关分析，你就能逐步发现HR管理中的小数据之美，不过HR若想要驾驭小数据分析，还有以下几个关键事项要注意：
1、数据收集应遵循结果导向，以终为始的收集和管理；
2、持续跟踪和多数据论据分析，确保动态性；
3、不断监控数据来源和质量；
4、实时收集和发掘小数据的参考基准和外部参考值（包括情报信息）。
最后总结一句，我们已经领略了大数据的宏大之美、创新之美，但这却像皇帝的新装，众人纷纷叫好却迟迟不得亲近。快来关注小数据，看看她在现实中就可以触碰到的惊艳之美，精准和务实之美。还是那句话，作为HR的你，一起来发掘数据分析之美，不断的接触她，亲近她，和她谈一场缠绵悱恻的恋爱吧，和无中生有的直觉判断说再见，和味同嚼蜡的HR分析报告说再见，和大数据说再见吧。
Comments are currently closed.