-
HBR
【专家谈】关于人力资本分析的4个错误之处交流下，附录原文
最近，HBR海外版发表了一篇关于人力资本分析的文章，题为 "人力资本分析是否使你的员工失去人性？" （Are People Analytics Dehumanizing Your Employees?）在这篇文章中，作者提供了一个关于人力资本分析的暗淡而单一的观点，如果不结合实际情况来看，将损害这一领域，并淡化人力资本分析对人力资源的现有和潜在贡献。
在这篇文章中，我们想驳斥一下我们认为HBR对人力资本分析的四点误解。这些误解对该领域是危险的。它们可能使我们在过去十年中在人力资源管理方面取得的大部分进展倒退。让我们深入了解一下！
1.人力资本分析将人简化为数据
根据作者的说法，"员工正越来越多地被定义为他们的数据"。在一个传统上依赖本能和直觉的领域，我们不认为这是一个坏的趋势。
数据驱动的（或基于证据的）决策已经彻底改变了它所应用的每一个学科。例如，循证实践已经彻底改变了我们在医疗保健中确定诊断和治疗病人的方式。它为拯救无数的生命做出了贡献。事实上，基于证据的预防服务可以防止美国每年250万例死亡中的一半。
在人力资源管理中增加循证实践是非常必要的。从招聘和选拔中的偏见到绩效评估，甚至是常用的无效的反偏见培训，人力资源部门将从对其产生的影响进行批判性的审视中获益。要做到这一点，唯一的办法就是客观和负责任地查看数据。
在这样做的时候，人力资本分析有可能推动许多人力资源学科的发展。例如，HBR最近的另一篇文章强调了由指标驱动的多样性、公平和包容（DEI）实践给组织带来的机会。
我们也看到这种方法被纳入到工作设计中。最近谷歌公司的一个种族平等人力资本分析（Race Equity People Analytics）的空缺就说明了这一点：
其他的贡献包括数据驱动的组织设计，劳动力规划，奖励，员工价值主张，以及整体福利。与文章中所说的相反，在每一个实例中，数据都有助于创造一个更个性化的体验。
掌握数据有助于了解一个组织中人的整体体验。一个组织利用分析来监测不同地区的COVID相关疾病的趋势，使该组织能够主动向员工发送额外的支持。另一个例子包括利用数据来定义个性化的福利体验和支持。
我们认为HBR文章的作者应该欢迎以更多的证据为基础的方法来管理工作中的人，我们只能希望人力资源部门能进一步将其决策植根于数据。
2.人力资本分析等同于员工的间谍和监视
第二个更具破坏性的错误是，根据这篇文章，人力资本分析主要涉及员工监视。"监控深入到工作日越来越多的部分，意味着员工的隐私几乎被抹去，他们的工作经验受到了负面影响"。
作者犯了一个常见的错误，即把网络安全团队所做的技术监控与专注于劳动力的团队所完成的人力资本分析工作混为一谈。人力资本分析不是为了监控，而是为了帮助我们了解如何在人类和组织需求的背景下最好地设计（混合）工作。
当组织越权使用数据来 "监视 "员工时，这并不是对人力资本分析的反映。相反，它反映了一种不信任和有毒的文化以及管理成熟度和价值观的缺乏。我们不能责怪我们现有的这些工具和技术，而不去看谁在使用它们以及如何使用。
大多数组织对谁访问和分析数据以及出于何种目的都有严格的内部控制。人力资本分析的领导者在公司的法律团队、工作委员会和数据隐私官员的恩惠下运作。他们往往被要求达到比其他一些分析职能部门高得多的标准--这是很正确的
我们承认，如果使用不当和不负责任，人力资本分析会对组织产生负面影响。然而，其他各种领域也是如此，如组织发展、奖励和心理评估。我们认为，不使用人力资本分析法对创建公平、无偏见和知情的人力资源实践、流程和政策构成更大的风险。
3.人力资本分析是人工智能（AI）的结果
关于人力资本分析、人力资源技术和人工智能（AI）有很多误解。文章称，"人力资本分析来自于组织越来越多地使用人工智能（AI）来促进效率"。这可能是文章中最大的误解。
人力资本分析的一些最大收益并不是来自先进的算法、技术或部署AI的工具。事实上，人工智能往往是华而不实的转移了分析所能带来的真正影响。
人力资本分析最重要的增值是创造一种基于符合道德指导原则和价值观的最佳可用证据的决策文化。人工智能在这个过程中很少发挥作用。
作者还认为，人力资本分析是迈向自动化的一步，会导致员工被取代。
我们不同意这种说法的原因有两个：首先，人力资本分析是为了做出更多有数据依据的决策，希望能让员工和组织都受益。我们承认，这有时可以为与自动化有关的决策提供信息。不过，这些决定至少是在客观上了解了自动化是否会带来价值的角度下做出的。
其次，我们认为各种科学有助于自动化的可能性，如流程再造和商业分析。这些领域和类似领域的重点应该是以负责任和人性化的方式管理因这些过程而产生的变化。处理因自动化而产生的对变化的恐惧是一个现实。然而，这不是人们分析的结果，而是第四次工业革命对工作世界的影响。
4.人力资本分析发生在组织背景之外
人力资本分析发生在更广泛的组织理念、文化和价值体系中。这关系到我们如何对待人，如何与员工打交道，以及我们想要推动的行为。
我们如何、在何处以及何时应用人力资本分析，都应该与更广泛的组织背景下的动机和意图相一致，而绝不会在空洞的情况下发生。
人力资本分析本身也超越了数据的统计分析。相反，它是关于一种挑战假设的思维方式，测试假设，并使用合理的科学原则，如数据的三角测量，以告知和指导洞察力。
一个不能展示数据和证明人事政策影响的人力资源专业人员，在为员工辩护方面的效率会降低。他们将无法有效地为企业提供最佳行动方案的建议。同样，一个不信任其员工的组织将更有可能应用监控技术。这就是为什么不应该孤立地看待人力资本分析法的应用。相反，需要在组织的背景下看待它。
例如，两个缺勤率同样高的团队可能有很大的不同。一个团队可能运作良好，但有一两个身患绝症的员工，而在另一个团队中，糟糕的领导和高工作压力导致缺勤率飙升。数据往往是一个起点。然而，在通过定性访谈、焦点小组等方式对数据进行三角分析和支持之前，它永远无法说明整个故事。
成熟的人力资本分析专家充分意识到，他们需要在其他促成因素的背景下看待数据。
展望未来
人力资本分析使人力资源部门能够做出基于证据的决策，并提高他们在企业中的可信度。这意味着人力资源部门可以在他们的倡议和建议中更加有效和有影响。它应该对员工个人以及更广泛的组织都有好处。
到目前为止，人力资本分析的从业人员一直在领导这个领域。现在是时候了，学术机构、研究人员和期刊应该接过接力棒，努力将人力资本分析学的内容（和不是）更好地概念化。他们应该展示如何衡量它对人力资源部门和整个企业的影响，并帮助创建良好的人力资本分析实践标准，以指导从业人员。
在过去的十年里，我们看到人力资本分析慢慢地改变了人力资源的运作方式。我们希望人力资源部门继续发展成为一个更加以数据为导向和以证据为基础的学科，在这里，决策是基于现有的最佳证据，并符合包括员工在内的所有利益相关者的最大利益。
这将导致一种数据驱动的科学，能够切实地促进我们对工作场所中人类行为的理解。然后，它可以帮助组织为其员工、客户、底线和更广泛的社会做出更好的决定。
为了实现这个目标，仍有许多障碍需要克服。这些障碍包括：
教育组织如何负责任地使用人力资本分析技术。
向员工和人力资源部门传达人力资本分析的作用和贡献。
工业界和学术界之间的合作，以确定行为的道德准则。
以及将人力资本分析视为综合人员价值链的一部分。
随着组织克服这些障碍，人力资本分析将不会使员工失去人性，而是赋予他们权力。毕竟，一个组织，如果不是为共同的未来而努力的人，又是什么呢？
文章来源：AIHR
作者：Erik van Vulpen，Erik van Vulpen是一位通过将技术创新引入人力资源范畴来塑造现代人力资源实践的专家。
*本文仅代表作者个人观点
HBR原文附录：
人力资本分析是否使你的员工失去人性？
摘要：公司比以往任何时候都更多地使用数据来衡量和塑造员工的工作日。人力资本分析使用统计方法和智能技术（如传感器、数字设备）来创建和分析员工行为的数字记录，并雇用他们。
很久以前，组织是由人组成的。今天，它们由数据组成。随着公司学会挖掘他们的数据，以更好地识别新的机会，改善预测，并作出更好的决定，人们的兴趣已经从做工作的人转移到他们在工作时间所做的数据（例如，他们发送了多少电子邮件，他们与多少人交谈，他们休息了多少次）。特别是，员工数据正被越来越多地用于人力资源管理（HRM）--以及最近的人力资本分析（PA）--并且员工正越来越多地被定义为他们的数据。
这种转变的影响是巨大的。用数据来定义人和他们对公司的价值（实际的和预测的）的方法，有可能使组成公司的人失去个性，使他们在雇主眼中沦为可交换的物品。此外，它有可能创造一种否认员工隐私的工作文化，使人们感到更不安全。
这种将员工非人格化的趋势并不一定是新的。一段时间以来，人力资源管理部门不太注重将员工作为一个 "整体 "来对待，而更多地是提倡用一种一刀切的方法来管理员工。为了降低成本，促进合规和标准化的效率，人力资源管理部门主要从他们应该达到的配额、他们的销售、他们完成的交易等方面来对待员工。这其中有一个丑陋的逻辑：把员工当作可互换的商品，可以更容易地施加不断增加的官僚主义的负担，而这正是当代组织的特征。
然而，最近，这种方法发生了变化：人力资源管理为人力资本分析铺平了道路，它使用统计方法和智能技术（如传感器、数字设备）来创建和分析员工行为的数字记录，并采用循证方法来提高组织的效率和生产力。今天，高达70%的高管认为实施人力资本分析（PA）能力是重中之重，预测到2025年，全球大数据分析市场的价值将达到680亿美元左右。
公共关系超越了衡量和量化员工绩效的传统程序--与大型、非结构化、实时数据和聚合数据集一起工作的智能技术使组织能够做出预测，而不是简单地衡量产出。但是，真正与传统人力资源管理实践相背离的是，公共关系往往意味着员工一直在越来越亲密的层面上受到监视和分析。来自摄像头、蓝牙信标、手机、物联网可穿戴设备和环境传感器等设备的数据被分析，目的是进行预测，使主管人员能够处理、评估和--如果需要--惩罚员工行为。例如，这种情况已经导致公司在发现这些员工正在申请其他工作时解雇他们。欧盟委员会发现，在2019年4月至2020年4月期间，全球对雇员间谍软件的需求增加了一倍多，而且在2020年封锁期间，追踪雇员实际用于任务的时间的监控软件增加了四倍。
然而，这种监控是有代价的。监控深入到工作日越来越多的部分，意味着员工的隐私几乎被抹去，他们的工作经验受到了负面影响。担心有人总是在你的（象征性的）肩膀上看着你，破坏了信任；监控会伤害员工的士气，实际上使人们的行为不那么道德。换句话说，监控会产生与预期相反的效果，并创造一个与当代教练、顾问和培训师的建议背道而驰的工作环境，即今天的组织需要发展一种赋予人们权力的文化，而不是回到中央控制和僵化的流程。
实施人力资本分析时需要考虑的问题
引入并强化一种将人简化为数据的思维方式，可以创造一种工作文化，对绩效和员工体验的伤害可能比预期的要大。因此，重要的是，采用人力资本分析的组织不要把人力资源部门变成专注于监测和优化工人效率的IT部门，而是确保他们以授权的方式保障员工的利益。为了做到这一点，下面我们简要地讨论一下今天的组织所注意的三个策略，以确保PA的使用和被视为对人类员工的授权。
1.明确它不是走向自动化的一步。
PA来自于组织越来越多地使用人工智能（AI）来促进效率。然而，这里存在一个固有的风险：这种操作性的工作方式可能会促进这样一种想法，即人对于监控他们的系统来说是次要的，导致员工觉得他们只是在为他们的人工智能老板生产数据，而且他们越来越可以被替代。这可能会灌输这样的观念，即扩音机是迈向自动化的一步，人们正在训练将取代他们的机器。相反，当PA被实施时，它应该被设定为一个增强员工能力和表现的战略，从而表明人类是第一优先，机器只是次要的。
2.认识到人的分析不仅仅是关于效率，并将其表现出来。
清楚地告诉大家，人力资本分析不仅仅是用来预测个别员工的表现--这种方法会削弱信任，侵犯员工的隐私。组织应该避免将绩效本身作为目的，这就意味着员工只是实现这一目的的手段。相反，公司应该把重点放在如何以整体而非狭隘的方式利用监测和分析来帮助员工作为人的成长和发展，并在与员工的沟通中强调这一重点。例如，可以通过收集数据来确定员工在哪些方面遇到压力，并由组织提供帮助，以处理个人成长的障碍。事实上，跟踪员工的情绪--以匿名的方式--并确定重要的趋势，可以帮助促进负责人更多的同情心，同时加强对工作中所经历的压力的共同理解。
3.避免给人贴上数据的标签。
成功地使用公共关系来激励员工也取决于所使用的叙述方式。例如，当人力资源部门在发给主管的电子邮件中抄送员工时，要避免使用抽象的语言，将员工视为一个数字或以非个人化的方式描述。把人描述成数据、公司资产或需要显示一些投资回报率的投资，传达出员工被视为一个对象，因此在某种程度上不值得对其自身的发展和成长给予人性化关注。不要忘记，人们把他们的整个自我带到了工作场所，因此，他们会在组织欣赏他们真正是谁的程度上做出反应。
综上所述，在一个组织以数据为导向，智能技术以各种方式促进对员工的跟踪和评估的时代，人类感到被包容、被重视，并以授权的方式对待，比以往任何时候都更重要。
采用公共关系策略的组织，主要是将员工识别为数据集，以提高关于每个人是否在做他们的工作的透明度，这有可能造成一个同理心的差距，员工会觉得--尽管收集了大量的个人数据--不被理解。在这种情况下，公共关系可能会被视为更多的是为了创造一个没有面孔的劳动力，像机器一样高效，而不是创造有利条件，让员工觉得组织投资于他们的成长和自我发展。因此，我们有必要认识到，收集和分析员工的数据对组织来说是有用的和有价值的，但如果它主要是让员工觉得自己是机器驱动下的可量化的对象，那就不是了。
文章来源：HBR
作者：David De Cremer & Jakob Stollberger
-
![]()
HBR
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
-
HBR
当今中型公司CHRO面临的5个挑战
摘要
2021年的CHRO要完成的任务很多，但CHRO的办公室从来没有像现在这样关键，也从来没有像现在这样被依赖，不仅要最大限度地提高人才绩效，还要提高企业财务绩效。而对于那些在中端市场企业中领导人力资源职能部门的人来说，通过坚持不懈地关注人员、流程和绩效，还有更多的机会对反弹和增长产生积极影响。作者指出了今年中型企业CHRO们最关心的五个问题，并提供了如何最好地解决这些问题的技巧。
在2021年，首席行政官的议程从未像现在这样艰巨。除了正常的工作量之外，CHRO还面临着各种挑战，这些挑战直接影响到公司的恢复和发展能力。
对于中型企业和新兴企业的CHRO来说，议程尤其困难，他们通常必须以小公司的资源来应对大公司的考验。例如，一个拥有300名全职员工的企业，通常只有三四个全职人力资源人员，足以应付正常的业务，但无法应对非常态的挑战。
而2021年的挑战再不寻常不过，我们的研究和经验表明。去年年底，我们与AchieveNEXT的CHRO联盟进行了两个项目--一项调查和一项最佳实践研究，该联盟是一个由2000名来自美国中等市场公司的CHRO组成的点对点网络。我们中的一个人（Robyn）负责监督该网络，另一个人（Dina）是该网络的成员，在其全球顾问委员会中任职，并负责Faulkner汽车集团的人力资源，该集团是一家拥有89年历史的家族企业，在宾夕法尼亚州的28家汽车经销店和10个碰撞中心拥有近1600名员工。
基于这些研究、我们的经验以及CHRO联盟成员的经验，我们确定了中等市场CHRO的五个首要问题。这些挑战中的每一个都与其他挑战相互交叉，但其中一个问题的解决方案可以帮助其他问题。
管理回归劳动力增长
我们的情绪研究数据显示了这些问题的范围。在大多数公司薪资缩减或保持稳定的一年后，超过61%的中等市场公司表示，他们将在2021年增加员工人数，而只有4%的公司会进一步减少员工。
但在2019年行之有效的招聘做法在2021年可能行不通。新员工将从哪里来？在这种新环境下，中型企业如何才能让自己的案例（即推销自己的雇主品牌）发挥作用？应聘者应该如何面试？无论新员工是在现场还是在家工作，入职和融入的最佳方式是什么？
对员工进行再培训和提高技能
同时，现有员工--无论是公司整体还是人力资源部门的员工--都需要学习新的技能，主要是数字技能。培训在CHRO的优先级列表中排在第二位，仅次于招聘，但超过55%的中等市场CHRO告诉我们，他们的培训和发展能力要么很弱，要么极弱，考虑到他们的人员稀少，这并不奇怪。
对数字和数据分析技能的需求加剧了这个问题，因为人力资源团队本身往往缺乏这些技能。16%的中等市场人力资源领导者表示，他们部门的首要挑战是解决人力资源流程、信息系统和分析工具使用方面的弱点--这些弱点的暴露是因为流行病迫使人力资源部门更多地依靠技术来完成工作。
改造人力资源系统和流程
提高技能和技术是相辅相成的。在 Faulkner Automotive，我们面临的许多问题与软件的可用性关系不大，而更多的是我们如何利用我们所拥有的软件。在疫情发生之前，我们可以利用现有的零碎技术完成工作。我们掌握了工作方法。许多员工忽视了我们为他们提供的培训，而我们却任由他们这样做。
当客户互动越来越多地转移到网上，我们开始在家工作时，这种拼凑的方式就崩溃了。我们的电脑被硬生生地连接到了办公室网络上。有一段时间，我们甚至无法获得足够的笔记本电脑。一旦我们能够储备笔记本电脑并大幅提高远程利用率，线路和服务器就会出现故障--虽然不是全面故障，但足以凸显出所需的基础设施升级（例如，改进我们的客户关系管理软件，并将我们的人力资源信息系统与会计系统整合）。
提升员工敬业度和生产力
随着最严重的疫情过去（或我们希望如此），人力资源领导者面临着第四个挑战：在远程、混合或其他变化的工作场所环境中，重新激发员工的参与度和生产力。在远程、混合或其他改变了的工作环境中，为员工的参与度和生产力重新充电。职业倦怠--不仅仅是 "Zoom疲劳"--太常见了，因为远程员工经常每天在办公桌前坐12个小时，没有Covid之前工作生活中的自然休息和非正式聊天。新的文化鸿沟可能会打开--例如，那些大部分时间可以在家工作的团队和没有这种选择的一线员工之间，甚至在舒适的家庭办公室和厨房餐桌工作的员工之间。
在福克纳公司，我们发现职场中的员工比之前预想的更需要与经理的互动，哪怕只是为了减少焦虑，在期望和规则发生变化时当下分享信息，建立友谊。人力资源领导者还必须掌握不断的法规变化。来自疾控中心和当地卫生官员的更新给留在工作场所的经理和员工带来了很大的压力。
当疫情开始时，绩效管理被置于次要位置，因为企业在努力远程操作、寻找现金、适应和生存。但是，近一年后，通过绩效管理流程投资于人才培养成为CHRO的重点。超过50%的情感研究参与者将他们的绩效管理流程评价为极弱或弱。
临时或无效的绩效管理流程会扼杀企业的发展，因为企业无法发现和奖励最有生产力的员工（而淘汰生产力最低的员工）。薄弱或不存在的绩效管理酿成了一种不信任、不确定和偏袒的有毒文化，在这种文化中，员工感到被边缘化，不知道他们需要做什么才能成功，或者不理解为什么一个人得到了晋升而另一个人没有。
这些问题因流行病而加剧，对中等市场的公司打击特别大，因为他们很可能一直依赖非正式的人事流程，并可能错误地认为正规化的绩效管理过于官僚。投资于员工--尤其是那些具有高潜力的员工--是中等市场CHRO议程的重中之重，因为这对于挽回任何生产力损失、激发员工队伍的活力，进而推动2021年的企业业绩至关重要。
解决紧迫的多样性、公平和包容性问题
最后，多样性、公平和包容(DEI)是当前文化氛围下的优先事项，乔治-弗洛伊德之死将其推上了风口浪尖，这也是2021年变革组织的首要任务。虽然在2020年夏天开始的种族动荡之前，许多企业都在宣传对DEI的承诺，但这些事件是一个启示性的催化剂，说明需要一个更具战略性、综合性、全面性的方法。此外，Covid-19本身和组织对它的反应（从学校关闭到裁员）对妇女和少数族裔的打击尤为严重。
展望2021年，近75%的情感研究参与者表示，DEI对其企业未来的财务表现和可持续性有些关键到非常关键。中等市场CHRO的真正问题是，在企业变革这一特别复杂的领域，如何在已经满盘皆输、马力不足、真正的专业知识有限的情况下完成这一任务。
如何应对挑战
在中端市场HR资源如此紧张的情况下，领导者如何应对如此大的议程？根据我们的经验，这里有四个建议。
不要单打独斗。这些举措中的每一项都有天然的盟友。例如，劳动力优化是你和首席运营官都能从中受益的事情。争取那个人作为共同发起人、资金来源等。
从同行那里获得建议。很多关于这类问题的文章都是针对大公司的，对于中等市场的公司来说，可能过于昂贵、复杂或 "流程化"。同行网络可以是一个很好的建议来源，也是一种与外部顾问联系的方式，这些顾问对你的公司规模有很好的帮助。
引进外部专业知识和能力。如果没有外部帮助，往往没有足够的时间或内部专业知识来尝试解决这些更大的举措，但这是值得投资的--否则可能永远无法完成。DEI就是一个例子。很少有中型公司有足够的专业知识在内部启动一个DEI项目。
最重要的是，利用公司的战略来帮助你设定优先级，并获得CEO和其他高层领导的关注。很多时候，即使是有价值的人力资源计划，在处理了顶线增长、利润率和运营问题之后，也会被视为组织的后顾之忧（"好的东西"）。当CHRO能够从业务运营到人员项目中画出一条直线时，事情就变得简单多了--例如，帮助销售代表发展远程销售的技能，或者通过将人力资源信息系统连接到CFO办公室来提高效率。这一点在中型企业中其实比大型企业更容易做到，部分原因是高管团队更加紧密，而且精通业务的人力资源领导者往往可以直接与客户、供应商和投资者进行互动，而大型企业中的同行很少能做到这一点。
2021年的CHRO要完成的任务很多，但CHRO的办公室从来没有像现在这样关键，也从来没有像现在这样被依赖，不仅要实现人才绩效的最大化，还要实现企业财务绩效的最大化。而对于那些在中型企业中领导人力资源职能部门的人来说，通过坚持不懈地关注人员、流程和绩效，还有更多的机会对反弹和增长产生积极影响。
by Robyn Forman Pollack and Dina Perreault
来自hbr.org
-
HBR
科技正在改变人力资本分析，这会是好事情吗？
Tech Is Transforming People Analytics. Is That a Good Thing?
一个世纪前，弗雷德里克-泰勒的《科学管理》为现代人力资源奠定了基础。他的核心前提是，组织应该把工作场所变成现实世界的心理学实验室，测量和监控员工的一举一动，以提高他们的绩效，降低他们的压力水平。这一范式具有革命性的意义，并促使亨利-福特等著名工业家在人类工程方面进行了前所未有的创新，创造了具有开创性的流水线，并提出了优化角色、任务和工作设计以提高员工生产力的科学公式。福特汽车公司等大公司成为应用心理学的试验田，循证人力资源应运而生。
快进100多年，这都是泰勒的注脚。一些最大、最成功的企业，如谷歌、微软等，都在加紧研究数据科学，招募了一支工业/组织心理学博士大军，并加速数字化转型，围绕人工智能和大数据部署智能技术，以改善人才管理系统。人力资本分析时代已经到来，在COVID-19之前，它已经很发达了。但在一个越来越虚拟（甚至可能只是虚拟）的工作世界中，可用于了解和预测员工行为的数据量将继续呈指数级增长，从而为通过技术和数据进行管理提供更多机会。
从广义上理解，人力资本分析是致力于追求数据驱动的关于组织员工队伍的洞察力的人力资源职能--是的，人力资源的极客部分。把数据看作是员工行为的数字记录，而人力资本分析则是将这些数据转化为可操作的洞察力，从而提高组织效率的科学。大多数组织都坐拥丰富的数据。我们一再听到 "数据是新的石油"，但没有洞察力的数据是没有意义的--只是0和1。你需要正确的框架、模型或专业知识来确保数据获得意义，而下一阶段的工作是在这些洞察力的基础上采取行动，在组织中创造数据驱动的决策、变革和数据导向的文化。因此，人力资本分析是一种刻意的、系统的尝试，目的是使组织更加以证据为基础、以人才为中心、以业绩为中心，人们希望，这应该使组织更加有效。
考虑到员工体验，传统上是通过年度调查来评估的，重点是工作满意度或员工参与度。尽管这些衡量标准与工作绩效呈正相关，但相关性通常很小（表明参与度与生产率之间的重合度不到20%），而且与员工的个性等不相关因素混为一谈。等待一整年的时间来评估士气是上升还是下降也是不合理的，为什么不更定期地监测呢？
这也是更加定期的 "脉搏调查 "和员工倾听工具开始流行的地方，并能迅速地推动真正的行动，使员工和企业受益。像Glint、CultureAmp、Qualtrics和Peakon等公司都能够帮助企业定期为员工 "把脉"，实时了解员工的参与度和员工情绪。虽然员工倾听已经出现了一段时间，但在应对Covid-19危机时，它更加流行。荷兰合作银行、默克公司和澳大利亚国民银行等公司都在利用员工倾听来了解员工如何应对新的远程工作安排，他们对支持的需求如何变化，以及他们对重返工作岗位的偏好是什么。通过使用分层抽样（一种替代随机抽样的方法，使数据科学家能够将给定的样本划分为 "层"，以便对人群进行预测）和自由文本评论（将单词和词频解码为情绪情感或不同心理特征的软件）和讨论板的文本分析等技术，公司可以在快速变化的环境中获得有价值的洞察力，了解什么对员工来说是重要的，同时避免调查疲劳，并保留个人层面的匿名性。
另一个重要的问题，特别是在目前的情况下，就是是否可以利用新技术来保证人们的安全，监测他们的精神和身体健康。目前，人们正在广泛讨论雇主如何使其工作场所安全，并确保在封锁后的阶段健康地重新开放办公室，这不仅仅是通常的措施，如温度检查或社会距离，可能会有所帮助。公司正在通过多种方式实施新技术来支持员工。可穿戴设备现在可以监测压力和焦虑，如果员工选择分享这些数据。可以部署聊天机器人，询问你的情绪状态并提供建议。当然，同样的信息也可以用来支持或控制人们：如果你知道某人的感受，他们的生理和心理状态是什么，这些信息很可能被用来帮助他们，让他们变得更好，或者，人们希望不要操纵他们，控制他们。只要技术能够让其他方面或个人洞察你更深层次的情绪状态，都是如此。
最值得注意的是，"跟踪和追踪 "应用，如美国谷歌和苹果公司开发的应用，在应对疫情时，一些ZvF（如你懂得、新加坡和以色列）立即部署了这些应用，雇主很容易采用这些应用来监控和改善人们的健康状况。同样，学术界也在与可穿戴式创业公司合作，比如Oura戒指和UCSF，将人们已经分享的生物识别数据--当然是自愿的--转化为Covid-19风险档案。将这些创新视为数字等同于当你到办公室时检查你的体温，或者让医生在现场检查关键症状。虽然这些措施是有争议的，因为它们有可能侵入人们的个人生活，并劫持他们的隐私和匿名性，但它们越来越多地被大型雇主采用，而且随着我们的物理生活和数字生活本身的界限开始变得模糊，我们越来越难以看到那些数字的区别，以及那些模拟或物理的区别。
另一个关键目标可能是提升员工的绩效或生产力。在大多数组织中，这将始终是主要目标，即使公司非常关心士气和福利，主要是因为他们认为这些东西与绩效相关。然而，这也是监控的 "毛骨悚然 "因素开始发作的地方。随着手机、传感器、Alexa、可穿戴设备和物联网都有能力检测和记录我们的举动，而真正离线和脱离雷达的机会相当少，这一切可能很快就会变得相当有侵犯性和像大哥大一样。例如，现在一些公司正在寻求推出更具侵入性的监控软件，这些软件可以在员工工作时进行截图，可以追踪人们的行踪，以此来追踪生产力，监控一夜之间变得远程的劳动力。今年早些时候，普华永道因开发监控来追踪员工是否离开电脑而招致不少批评。
其他公司正在考虑开发监控工具，以监测COVID-19病毒在办公室内的传播情况。但是，当我们看到为应对COVID-19而增加使用监控技术时，员工将不得不做出怎样的权衡？如果在保护员工健康的幌子下，这些工具成为强制性的，那么员工如何确保他们的隐私会受到保护，他们的数据不会被用于其他目的？这就是人力资源部门必须介入的地方，并推动对话，解决员工的信任、企业责任和任何新技术的道德影响，在员工、经理和企业的需求之间取得平衡。
虽然我们仍处于这场革命的初期，但在人才管理的每一个主要垂直领域都取得了明显的进展，出现了一系列新颖的工具和技术，在某些情况下，这些工具和技术得到了科学的支持。如果领导者能够在其组织中灌输一种信任、尊重和公平的文化，并根据最强有力的道德和法律参数（这不是一个小的 "如果"）来部署这些新兴的创新，那么就有真正的机会使工作显著改善。
在公司考虑新技术或人力资本分析项目时，仅仅希望道德规范处于最前沿是不够的。在我们看来，企业需要为人力资本分析采用一个道德章程，帮助他们明确规定什么该做什么不该做，就像为客户或财务数据的使用制定准则一样。为了建立和维护员工对人员数据使用的信任，组织需要正面解决道德和隐私话题，在如何使用数据方面对员工公开透明。
毫无疑问，技术加上近乎无处不在的工作和工作相关行为的数字化，有可能帮助组织大规模地监控、预测和了解员工的行为（和想法），这是前所未有的。同时，这些技术以不道德或非法的方式部署，也允许雇主控制和操纵员工，违反信任，不仅威胁到他们的自由和士气，还威胁到他们的隐私。防止这种情况发生的唯一方法是严格执行适当的法律和法规，确保员工始终处于驾驶位置，能够授权雇主使用他们的数据（或不使用），并从从中获得任何见解和知识。可以肯定的是，在对雇主有利的事情和对员工有利的事情之间，并不存在逻辑上的矛盾。但是，强迫人们做出某些行为，或使用他们的个人数据来对付他们，这种诱惑比人们想象的更真实。
作者：Tomas Chamorro-Premuzic Ian Bailie
仅供参考，版权归HBR所有。
-
HBR
Gartner、Mercer、Gallup、BetterWorks和HBR的5种绩效管理趋势
在过去的十年里，绩效管理经历了从年度体系到连续体系的结构性转变。现在，我们正在逐步接近一个高度集成的环境，在这个环境中，绩效管理可以与组织中活跃的所有其他人才决策工具相结合。我们从Gartner、Mercer、Gallup、BetterWorks和HBR的视角来审视2020年的这一趋势和其他关键趋势。
绩效管理是内部人才培养和流动性不可或缺的一部分，可以充分利用您现有的员工队伍。智能绩效管理可以帮助您缩小技能差距，减少外部雇用并提高生产力，这是前所未有的。
然而，绩效管理是一个瞬息万变的领域——我们之前已经讨论过，在过去十年里，绩效管理是如何成为人力资源领域五大趋势之一的。
可以理解，持续调整策略和工具包以跟上最新的绩效管理趋势可能很困难。这就是为什么我们求助于领先的分析师为您带来2020年的五种趋势。（了解更多：https://hrtechchina.com/）
2020年绩效管理的5大趋势
绩效管理现在基于员工同辈的社区反馈以及与员工的定期对话以获取他们绩效的准确情况。这可以通过用于敏捷目标设定和持续反馈的尖端性能管理工具来实现。
那么，今年对于人力资源专业人员而言，绩效管理空间有什么用呢？以下是来自Gartner、Mercer、Gallup、BetterWorks和《哈佛商业评论》（HBR）的五个重要趋势。
1.公司将优先考虑绩效管理流程的质量和影响，而不是效率
根据Gartner的调查，67％的组织旨在减少在绩效管理上花费的时间和精力。
在对9,438名人员（需要工作电子邮件）的调查中，Gartner发现82％的人力资源主管都同意现有绩效做法的无效性质。大多数领导者专注于减少绩效管理上的时间和精力，但这只会适得其反。
Gartner发现，优先减少工作量会使劳动力绩效下降16.6％！
2020年，一个关键趋势将是优先考虑绩效管理，从而使它成为以员工为中心的体验。公司将采用可为经理和员工提供引人入胜的体验的软件，生成与工作最相关的反馈，并为员工的绩效和生产力增添真正的价值。
2.绩效管理软件将与其他人才决策工具集成
根据Mercer的说法，70％的公司希望加强绩效管理与其他人才决策之间的联系。
美世（Mercer）在2019年对1,154名人力资源负责人进行的调查（需要发送电子邮件）强调了将绩效管理与人才决策更紧密地联系在一起的必要性。与Gartner的预测一样，该调查对现有流程的价值创造能力提出了质疑。实际上，只有2％的公司认为他们的绩效管理方法适合于价值。
为了解决这个问题，绩效管理软件将必须成为集中式人才管理系统的一部分，在该系统中，员工数据的单一来源可以告知每个人才决策。反馈、学习与发展、职业发展、继任计划，甚至招聘都可能构成这一新人才“生态系统”的一部分。（了解更多：https://hrtechchina.com/）
3.与关键反馈相反，指导反馈将在2020年发挥重要作用
根据盖洛普（Gallup）的分析以及该公司与斯坦福大学（Stanford University）的合作，当前反馈性能的方法大约有三分之一的时间会降低性能。
盖洛普（Gallup）的内部分析表明，只有14％的员工强烈同意他们受到典型绩效评估的启发。相比之下，经理定期指导员工的每周系统要有效得多。在每周反馈系统中，员工参与工作的可能性增加了2.7倍，而受到激励的可能性则增加了3.2倍。
年度系统有两个缺点。到员工收到反馈时，反馈可能已变得无关紧要。而且，它在短期内不可行，使员工感到沮丧。盖洛普（Gallup）的指标将重点放在基于力量的绩效管理（由高管教练进行培训）的需求上，而不是每年共享一次的关键反馈。这将我们带入2020年的下一个绩效管理趋势。
4.“持续”将成为新常态，要求采用敏捷绩效管理系统
根据BetterWorks的调查，转向持续绩效管理的公司的表现要比竞争对手高24％，而敏捷系统对于这一转型至关重要。
使用持续绩效管理的公司中有66％的公司可以全年提高生产力，而没有执行绩效的公司中只有35％。实际上，BetterWorks对500名受访者的调查显示，连续模式可以帮助公司在多个领域取得更好的业绩，包括企业敏捷度（47％比27％）、员工敬业度（58％比37％）、保留率（63％比 41％）。
该调查证实了人力资源的增长趋势：采用一种非正式的、更敏捷的绩效管理方法，您可以在其中动态设置目标，获取反馈并提高生产率。今年将急需能够实时分析数据并准确描述变化的性能趋势的平台。
5. 2020年将在员工敬业度和绩效管理之间带来新的协同效应
根据《哈佛商业评论》，超过90％的企业领导人同意敬业的员工表现更好。
哈佛商业评论分析服务公司调查了 717位商业领袖（需要发送电子邮件），以找出绩效的主要驱动因素。超过90％的人表示员工敬业度很关键，但是只有26％的人相信自己公司的员工敬业度很高。到2020年，人力资源系统之间将更好地集成，才能解决这一问题。
回顾趋势2（来自Mercer），很明显，性能管理工具的互操作性将是关键的优先事项。目前，只有16％的人同时享受高性能和高参与度，这表明根据《哈佛商业评论》，“落后”公司有很大的改进空间。（了解更多：https://hrtechchina.com/）
使2020年成为以员工为中心的绩效管理实践年
绩效管理已经成为人力资源部门的主要业务，但是现有模型需要端到端的全面改革。传统的年度评估结构远非以员工为中心。您的员工在实际活动后很长时间便会收到反馈，他们无法与经理进行有意义的协作以提高绩效。
这就是为什么公司应该从Gartner、Mercer、Gallup、BetterWorks和HBR的见解中汲取灵感并考虑以下因素：
将系统链接到更大的人才管理架构，以针对结果的决策
使用敏捷系统进行持续的绩效管理和反馈
确保绩效管理软件上提供员工敬业度奖励、表彰和双向沟通等功能
使用学习与发展（L＆D）来填补全年的绩效差距，而无需等待评估季节
有趣的是，所有这些绩效管理趋势都有一个共同的要素：它们突出了现有绩效策略和工具中的差距。
幸运的是，数据已经从多个不同的来源流入，无论是人才管理、员工敬业度还是L＆D平台。2020年将全部合并以制定有效的绩效管理策略。
以上由AI翻译，仅供参考！
作者：Chiradeep BasuMallick
来源：hrtechnologist
扫一扫 加微信
hrtechchina
