人力资源分析 - HRTechChina.com

人力资源分析

HR Analytics入门的5个步骤文/ Debanjan Sen 随着人力资源在业务中发挥更具战略性的作用，人力资源分析在将人力资源战略与业务成果联系起来方面发挥着核心作用。以下是在您的组织中实施HR分析的五步指南。作为传统上依赖直觉和其“直觉”来做出决策的功能，人力资源正在经历一次重大变革。快速采用不同的人力资源技术，使组织能够轻松访问有价值的员工数据，从而做出决策。凭借大量强大的数据，人力资源领导者和高级管理人员现在可以希望了解其人力资本战略对业务绩效的影响。什么是HR Analytics？人力资源分析是将统计建模和定量科学应用于员工数据，以实现更好的业务成果。分析为人力资源领导者提供了跨组织关键人员问题的可操作见解。那么，您如何开始使用人力资源分析？第1步：集中所有员工数据人力资源分析之旅的第一步是将不同的员工数据来源统一到中央存储库中。员工数据通常驻留在不同的HR系统，Excel电子表格和纸质记录中。跨越脱节系统访问数据是低效且耗时的。为了确保数据的准确性和一致性，拥有单一事实来源（集中式数据存储库）至关重要。一旦您整合了所有员工数据，您现在可以确定关键绩效指标，这将有助于您了解其绩效与业务成果的关系。第2步：创建HR仪表板数据可视化对您的分析计划至关重要。人力资源仪表板可作为所有内部和外部人力资源数据的一站式服务。所有这些数据的图形/视觉再现将使您能够监控数据并对其进行基准测试，以获得对定义成功的HR指标的洞察。您可以轻松获得有关关键人力资源指标的实时信息，例如员工人数，每FTE成本，流失率，填写时间和租用成本。第3步：构建分析功能大多数人力资源团队仍然是分析概念的新手，缺乏领导成功分析部署计划的必要技能。因此，必须通过与组织的商业智能团队一起进行培训，培养人力资源团队的分析能力。在组织内构建强大的分析技能后，您可以为人力资本决策建立更大的业务环境。第4步：将HR分析付诸实践下一步是确定需要解决的业务问题。它可以提高保留率，识别高绩效者，或降低每次雇佣成本。这里的关键是将分析与明确的业务成果联系起来。您可以根据两个基本标准确定业务问题的优先级：业务影响和所需的工作量。影响与努力矩阵应该是分析之旅的起点。从具有高影响力和低成本的想法开始。第5步：推动持续改进一旦您开始使用HR分析来解决业务问题，您必须持续监控分析过程中的效率低下，错误和风险，跟进重复出现的问题并实施结构更改以防止将来出现这些问题。在对流程进行微调以消除任何不一致之后，您将能够继续下一步 - Predictive HR Analytics。从招聘到员工培训和继任计划，人力资源分析在使人力资本实践与更广泛的业务目标保持一致方面发挥着关键作用。然而，尽管一段时间以来一直处于高级管理层议程，但大多数组织尚未释放其人员数据的潜力。缺乏关于分析方法和工具的知识一直是人力资源分析广泛采用的关键障碍。此外，用于整理人员数据的团队资源不足以及人力资源分析与业务成果报告之间缺乏一致性已经减缓了人力资源分析的采用。如果没有企业领导者在其他职能部门所需的同等水平的分析理解，组织就无法做出决策。拥抱HR分析只是构建更加数据驱动的HR功能的第一步。希望本文中概述的框架可以让您的组织开始进行人力资源分析之旅。以上为AI翻译，内容仅供参考。原文链接：5 Steps to Get Started with HR Analytics

人力资源分析
2019年02月19日
人力资源分析

人力资源分析如何帮助提高员工绩效文/ Ritesh Patil 人力资源是全球许多企业的重要组成部分。这一角色在过去几年中不断演变。人力资源不仅仅局限于一个组织的招聘和退出过程，它还有更重要的作用。随着行业间竞争的日益激烈，人力资源管理者在组织中寻找和招募最优秀的人才变得越来越具有挑战性。从招聘空缺职位到寻找和雇佣人才，这是一项艰难的工作，招聘人员的任务直接影响到公司的底线。为了帮助人力资源部门验证它作为商业表现的重要角色，人力资源分析被应用了。什么是人力资源分析? 人力资源分析是关于收集、组织和验证与人力资源运营相关的数据，如招聘、培训和开发、员工福利、员工关系和保留，以帮助他们在所有这些领域做出更好的决策。人力资源部门每天都在使用不同类型的软件和技术来创建大量的数据。然而，人力资源分析将这些数据转化为有价值的洞察力。将人力资源分析应用到业务结构中有显著的好处，越来越多的企业都在争取更好的ROI。在这篇文章中，我们列出了5点，展示了人力资源分析是如何帮助你提高底线增长的。人力资源分析如何帮助你改善公司文化 1. 重视员工培训计划？对于企业来说，专业培训是雇佣和留住高素质员工的一个重要方面。如果对职业发展培训没有或几乎没有贡献，这可能会导致员工疲惫、士气低落和缺乏方向。此外，一个专业发展培训计划描述了你正在帮助你的员工实现他们的全部潜力，并激励他们在他们的专业领域学习新的技能。这是一个成长中的企业重视员工和他们对公司的贡献的标志。人力资源分析有助于识别员工的相关专业培训课程，衡量员工的进步。它分析了培训的有效性和培训过程中每个参与者的成本。通过对参加培训的员工数量和所涉及的成本的深入了解，您就可以确定这对您的企业是否是一种具有成本效益的方法。 2. 改进招聘流程招聘过程对雇主来说有点挑战性。通过人力资源分析，你可以通过收集员工之前的招聘信息来改善招聘流程。例如:在面试你公司现有职位的10位候选人时，你发现6位候选人有不适合你公司文化的共同特点。利用这些信息，你可以自动删除这些申请人的特点，从空缺的职位在不久的将来，并改善招聘程序。这是一种聪明的方法，可以减少用于评估不合适的应用程序的时间，并加快流程。同时，你有更多的时间来评估适合你的业务的候选人。 3.提高员工保留率对于一家需要解决的公司来说，员工保留率降低可能是一个令人担忧的问题。虽然可能有各种各样的原因，但重要的是直接研究公司的文化、薪酬、结构和商业模式，以便更深入地了解裁员背后的原因。此外，您需要应用策略来限制员工数量的下降。人力资源分析可以提供数据驱动的理解为什么员工选择离开和工作的漏洞。可能的原因包括表现不佳、缺乏技能、薪酬问题或其他公司政策。通过离职和留职面谈、员工满意度调查和团队评估，您可以发现组织中可能存在的影响员工自尊和归属感的问题。不要忽视这些问题，你必须主动解决它们。这可以帮助你提高整体的底线，因为你将避免支付与招聘和培训新候选人相关的不必要的成本。 4. 为未来的前景让路就像你可以提高员工流动率，避免聘用效率较低的员工一样，识别、聘用和提拔合适的员工应该是人力资源管理的重点。这就是人力资源分析帮助您识别那些可以预测组织成功的特征的地方。所以，最好是寻找人才，避免犯那些代价高昂、需要花费大量时间来改正的错误。有时，如果个性和他们的技能以正确的方式结合在一起，这可以是一个完美的融合，以提高一个团队的效率。分析有助于优化流程，以更快地组装和释放高效团队。这不仅仅是避免错误——这是关于鼓励个人以最好的方式使用他们的技能。所有这些都是为了您的组织和客户的利益。 5. 数据收集为了识别出相互响应良好的基本特性，以及那些不符合公司文化的特性，收集足够的数据非常重要。在这个有着复杂系统、大型企业中的团队动态和业务流动性的时代，您只需要数据。世界上的大公司投入巨资获取员工、竞争者和客户的数据是有原因的。这些组织知道数据在其合作伙伴和公众中的重要性，无论是好是坏。为了在激烈的竞争中茁壮成长，他们用数据塑造自己成功的未来。结语出于几个原因，企业中的人力资源分析是一个公司成功的关键因素。通过人力资源分析收集有价值的数据，可以更好地改善公司的支出、运营和生产率。以上为AI翻译，内容仅供参考。原文链接：How HR Analytics Can Help Improve Employee Performance

人力资源分析
2019年01月28日
人力资源分析

人力资源分析战略对高绩效企业至关重要的3个原因文/ Chiradeep BasuMallick 工敬业度和生产力正在发生变化。随着您的员工在多个平台上分享意见，评论和评论，大量数据量涌入其中，充满了丰富的见解。拥有强大的人力资源分析战略可以帮助衡量绩效，调整劳动力管理蓝图，并将雇主推向更高的高度。如今，全球各地的企业都在使用人力资源分析。对于高绩效雇主而言，智能人力资源分析战略可以带来几项总体优势，同时提高投资回报率。那么人力资源分析如何真正发挥作用，以及它对企业盈利的真正影响是什么？我们分享了关于良好表达的人力资源分析战略影响的5个原理说明。提高招聘精度招聘仍然是公司的一个重要领域，充满了几个波动的挑战。人力资源分析战略可以帮助您查看以前的决策和方法，改进方法，并使招聘更符合特定要求。通过消除浪费在无用应用程序上的时间并专注于真正重要的连接，这使得该过程更快。提高员工保留率高员工流动率是现代企业的另一个问题。通过强大的人力资源分析战略，您可以确定员工离开公司的原因，让您重新考虑保留策略。它甚至可以检测员工脱离，这是保留的一个重要区别。从IBM的案例中汲取灵感：Big Blue利用他们的人力资源分析战略来实时了解员工敬业度。通过分析员工之间的社交媒体数据使用情况，发现可以事先获得48％的员工参与度分数变异性。IBM开发了Social Pulse，一种“社交媒体情绪”工具，作为回应，并创建了一个基于数据的渠道来听取员工的声音。通过评估员工流失数据，进行离职面谈和满意度调查，您的人力资源分析战略必须超越数字，并明确了解对企业有用的内容以及需要修复的内容。这最终降低了雇用新员工以取代一连串退出的成本，从而提高了底线。释放人类潜能招聘，维护和培养表现最佳的人才是整体企业生产力不可或缺的一部分。人力资源分析策略应该旨在消除混乱，并提供关于员工工作记录，满意度，产出以及参与项目或目标的关键见解。因此，最值得尊敬的员工得到奖励和认可，参与度最佳，个人有能力发挥自己的最大潜能，并改善对公司核心目标的贡献。 SAP SuccessFactors人力资本管理研究高级副总裁Steven Hunt博士在与HR技术专家的对话中说。“在金融危机之后，一家大公司不得不迅速降低总劳动力成本。高级领导人获得了显示不同部门薪资和员工人数的电子表格。他们确定了一个团队正在研究一种新的但非关键的产品，这种产品的劳动力成本相对较高。但领导者从未查看过显示团队成员能力的数据。在让团队离开后不久，该公司发现它已经淘汰了几位技术娴熟的工程师。几个月后，该公司不得不重新聘用这些员工担任顾问，其费率远高于他们作为全职员工的薪酬。他们对公司承诺的感觉已经丧失。这些领导者是聪明的人，他们以错误的方式解释准确的数据并盲目做出决定。他们缺乏的是充分了解其决策背景及其影响的额外数据，无论是积极的还是消极的。使用人力资源数据的部分技术是以引导人们得出适当见解和结论的方式呈现它。这是关于在正确的背景下提供数据以及有效的分析解释。总结在数据是真正的变革代理的情况下，人力资源分析战略可以完全改变您的雇佣方式，员工的承认方式，评估价值和生产力的方式，最后使产出和盈利能力更加精简。所需要的只是实用和个性化的应用。以上为AI翻译，内容仅供参考。原文链接：3 Reasons Why an HR Analytics Strategy is Essential for High Performance Companies

人力资源分析
2018年10月22日
人力资源分析

贵公司是否准备好进行人力资源分析 Is Your Company Ready for HR Analytics? 尽管许多公司一直在大数据和分析方面进行大量投资，但将分析应用于人力资源的成功案例却很少。但这可能即将改变。作者：Bart Baesens是比利时鲁汶的KU Leuven教授，也是英国南安普顿南安普顿大学管理学院的讲师大数据和分析在当今的商业环境中无处不在。更重要的是，诸如物联网，不断扩展的在线社交图以及开放的公共数据的出现等新技术只会增加对深层分析知识和技能的需求。许多公司已经投入大数据和分析，以更好地了解客户行为。事实上，由于引入了各种监管指南，一些最成熟的分析应用程序可以在以客户为中心的保险，风险管理和财务欺诈检测领域找到。但是，如何利用大数据和分析来深入了解贵公司的另一组关键利益相关者：您的员工？虽然我们看到许多公司加大了对人力资源分析的投入，但我们还没有看到该领域的许多成功案例。由于人力资源分析是业务分析应用程序中的“新手”，我们相信其从业者可以从将分析应用于以客户为中心的领域中获得的经验教训中大大受益 - 从而避免了许多新手错误和昂贵的初学者陷阱。基于我们的研究和我们在以客户为中心的分析方面的咨询经验，我们提供了四个关于如何成功利用人力资源分析来支持您的战略性劳动力决策的课程。更具体地说，我们将客户分析中的一些最新研究和行业见解与人力资源分析并列，并强调四个重要的溢出效应。第1课：建模，衡量和管理员工的网络动态。在我们自己的研究中，我们发现客户之间的关系（例如社会关系，与同一商家进行的信用卡交易，或公司之间的董事会成员关系）在解释和预测集体行为（如客户流失，客户响应）方面非常有意义。营销外展或欺诈。我们相信，这些原则可以很容易地用于在人力资源分析中收获一些悬而未决的成果。特别是，可以构建一个网络 - 员工作为节点，并根据诸如（匿名）电子邮件交换，联合项目，主机托管和人才相似性等因素与他们之间的链接进行构建，并且可能对最近这样的连接的加权进行加权。然后可以利用该网络来了解新员工融入您的员工网络的顺利程度; 出于同样的原因，在解雇或解雇员工时，了解员工的社会影响和影响非常重要，以防止病毒影响或人才流失发生在您的网络或公司中。在制定解雇决策时，应仔细联系在组织网络中充当社交影响者或社区连接器的员工，以避免在功能上断开网络的基本部分。第2课：大数据和分析并不神奇。与任何新技术一样，从一开始就设定适当的期望非常重要。虽然它们可以成为有价值的工具，但分析技术并不是解决公司所有关键任务和困难人力资源决策的灵丹妙药。毕竟，几乎只要分析人力资源模型投入生产，它就会变得过时，因为它的生态系统（包括但不限于公司战略，员工组合和宏观经济环境）经常会发生变化。因此，人力资源最终用户使用他或她的商业智慧，经验以及对问题和组织的了解来批判性地解释，反映，调整和操纵分析模型的结果，这一点至关重要。例如，如果您的分析模型告诉您，您的招聘和解雇政策完全没有 - 或甚至是歧视性的，该怎么办？你使用错误的选择标准或正在寻找不可能的？最近客户流失可以追溯到特定员工的离职？任何意外但有效的分析结果都应该以认真和深思熟虑的方式进行。显然，这需要人力资源经理具有既知情又开放的心态。第3课：分析人力资源模型应该做的不仅仅是提供统计绩效 - 他们应该提供商业见解。在任何业务环境中部署分析模型时，典型的新手错误是对统计性能（如拟合，相关，R平方等）和过于复杂的分析模型的盲目痴迷。统计绩效很重要，但分析性人力资源模型应该做得更多。另外两个重要的绩效标准是模型可解释性和合规性。可解释性意味着任何基于分析的人力资源决策都应该得到适当的激励，并且可以简单地向所有涉及的利益相关者解释。这种对简单性的追求阻碍了使用过于复杂的分析模型，这些模型更多地关注统计性能而不是正确的业务洞察力。另一个关键性能标准涉及模型合规性保护法规，隐私和道德责任对于成功部署HR分析至关重要。这在人力资源应用中尤为重要。应始终谨慎解释分析模型，在选择构建分析HR模型的数据时，应尊重性别平等和多样性。第4课：回溯测试分析人员模型的影响。在客户分析中，模型的平均寿命为两到三年，我们没有理由相信这在人力资源分析中会有所不同。然而，考虑到人力资源决策对组织和个人的影响，重要的是通过将预测与现实进行对比来不断地对人力资源中的分析模型进行反向测试，以便可以立即注意到任何性能下降并采取行动。例如，从招聘的角度来看，应该不断评估招聘前的有效性（哪些招聘渠道给我们的候选人提供正确的资料？）和招聘后的有效性（招聘渠道给我们最好的候选人？）。我们相信现在是时候增加您对人力资源分析的投资了。一旦您的人力资源分析工作成熟，我们就会期待组织的下一个变革步骤。我们认为，当组织将人力资源分析的结果与客户分析的结果汇总在一起时，我们就会发生这种情况。然后，公司可以更全面地了解他们的两个关键人力资产组合之间的关系：员工和客户。关于作者 Bart Baesens是比利时鲁汶的KU Leuven教授，也是英国南安普顿南安普顿大学管理学院的讲师。他还是“ 大数据世界中的分析：数据科学及其应用基本指南”一书的作者（John Wiley＆Sons，2014）。Sophie De Winne是KU Leuven的副教授。Luc Sels是KU Leuven的经济学和商业学院教授和院长。 Is Your Company Ready for HR Analytics? Although many companies have been investing heavily in big data and analytics, there have been few success stories in applying analytics to human resources. But that may be about to change. Big data and analytics are omnipresent in today’s business environment. What’s more, new technologies such as the internet of things, the ever-expanding online social graph, and the emergence of open, public data only increase the need for deep analytical knowledge and skills. Many companies have already invested in big data and analytics to gain a better understanding of customer behavior. In fact, due to the introduction of various regulatory guidelines, some of the most mature analytical applications can be found in customer-focused areas in insurance, risk management, and financial fraud detection. But what about leveraging big data and analytics to gain insights into another group of your company’s key stakeholders: your employees? Although we see many companies ramping up investments in HR analytics, we haven’t seen many success stories in that area yet. Because HR analytics is “the new kid on the block” in business analytics applications, we believe its practitioners can substantially benefit from lessons learned in applying analytics to customer-focused areas — and thus avoid many rookie mistakes and expensive beginner traps. Based upon our research and our consulting experience with customer-focused analytics, we offer four lessons about how to successfully leverage HR analytics to support your strategic workforce decisions. More specifically, we will juxtapose some of our recent research and industry insights from customer analytics against HR analytics and highlight four important spillovers. Lesson 1: Model, measure, and manage your employee network dynamics. In our own research, we have found that ties between customers (such as social ties, credit card transactions made with the same merchants, or board membership ties between companies) are very meaningful in explaining and predicting collective behavior such as customer churn, customer response to marketing outreach, or fraud. It is our belief that these principles can be easily used to harvest some low-hanging fruit in HR analytics. In particular, a network can be constructed — with employees as the nodes and with the links between them based upon factors such as (anonymized) email exchanges, joint projects, colocation, and talent similarity, and possibly weighted for how recent such connections were. This network can then be leveraged to understand how smoothly new hires will blend into your workforce network; it also can be used to quantify the optimal mix, from a performance perspective, between behaviors that bring cohesiveness to the employee network and those that bring diversity. By the same token, when laying off or firing employees, it is important to understand the social influence and impact of an employee in order to prevent viral effects or talent drain from happening to your network or company. Employees who serve as social influencers or community connectors within your organization’s network should be carefully approached when making firing decisions to avoid functionally disconnecting essential parts of your network. Lesson 2: Big data and analytics are not magic. As with any new technology, it is important to set appropriate expectations from the outset. While they can be valuable tools, analytics techniques are not a panacea for all of your company’s mission-critical and difficult HR decisions. After all, almost as soon as an analytical HR model is put into production, it becomes outdated, since its ecosystem (including but not limited to company strategy, the employee portfolio, and the macroeconomic environment) is constantly subject to change. Hence it is of key importance that the HR end user critically interprets, reflects, adjusts, and steers the outcomes of the analytical models using his or her business acumen, experience, and knowledge of the problem and organization. For example, what if your analytical model tells you that your hiring and firing policy is not at all sound — or is even discriminatory? That you are using the wrong selection criteria or are searching for the impossible? That the recent loss of customers can be traced back to the departure of a specific employee? Any unexpected yet valid analytical findings should be approached in a careful and thoughtful way. Obviously, this requires HR managers with a mindset that is both informed and open. Lesson 3: Analytical HR models should do more than provide statistical performance — they should provide business insights. A typical rookie mistake when deploying analytical models in any business context is a blind obsession with statistical performance (such as fit, correlation, R-squared, etc.) and overly complex analytical models. Statistical performance is important, but analytical HR models should do more. Two other important performance criteria are model interpretability and compliance. Interpretability means that any HR decision based upon analytics should be properly motivated and can be simply explained to all stakeholders involved. This quest for simplicity discourages the use of overly complex analytical models that focus more on statistical performance than on proper business insight. Another key performance criterion concerns model compliance. Safeguarding regulations, privacy, and ethical responsibilities is crucial to successfully deploying HR analytics. This is especially important in HR applications. Analytical models should always be interpreted with caution, and gender equality and diversity should be respected when selecting the data to build your analytical HR models. Lesson 4: Backtest the impact of your analytical workforce models. In customer analytics, the average lifespan of a model is two to three years, and we have no reason to believe that this will be different in HR analytics. However, given the impact of HR decisions on the organization and on individuals, it is important that analytical models in HR are constantly backtested by contrasting the predictions against reality, so that any degradation in performance can be immediately noticed and acted upon. For example, from a hiring perspective, both the pre-hire effectiveness (which recruitment channels give us the candidates with the right profile?) and post-hire effectiveness (which recruitment channels gave us the best candidates?) should be constantly evaluated. We believe the time is right to boost your investments in HR analytics. And once your HR analytics efforts have matured, we look forward to the next transformative step for organizations. That, we think, will take place when organizations can bring together findings from HR analytics with those from customer analytics. Then companies can more fully understand the relationships between their two key sets of human assets: employees and customers. ABOUT THE AUTHORS Bart Baesens is a professor at KU Leuven in Leuven, Belgium, and a lecturer at the University of Southampton School of Management in Southampton, U.K.; he is also the author of the book Analytics in a Big Data World: The Essential Guide to Data Science and its Applications (John Wiley & Sons, 2014). Sophie De Winne is an associate professor at KU Leuven. Luc Sels is a professor and dean of the faculty of economics and business at KU Leuven.

人力资源分析
2018年07月16日
人力资源分析

如何加速创造人力资源分析价值的进程文/Andy Charlwood教授 7月中旬，利兹大学的Andy Charlwood教授和3n Strategy的Nigel Dias将主持一个网络研讨会，讨论他们最近发布的人力资源分析战略报告的发现。六年前，3n Strategy设计了一个框架，将人力资源分析功能分解为六个战略开发领域。这些领域是（并且是）基于我们的战略性人力资源数据实践方法，我们在与组织合作设计其完整的人力资源分析战略时使用这些方法。 2015年，我们设计了一个工具，要求人力资源分析领导者回答28个问题（现在是37个），衡量他们在所有六个领域的优势和劣势，为投资时间和资源提供建议。在一次会议上，来自荷兰银行的Patrick Coolen和Auke IJsselstein建议我们将该工具大众化，对房间里的每个人进行基准测试——人力资源分析智库诞生了。在2018年，智库已经超越了任何一个会议，超过100位人力资源分析专家允许我们分析他们在过去三年的旅程。该智库与英国利兹大学(University of Leeds)教授安迪•查尔伍德(Andy Charlwood)领导的学术智库合作，现在可以研究以下主题: 1、不同的人力资源分析功能创造了什么价值？ 2、对人力资源分析的哪些类型的投资创造了这种价值？ 3、在不到12个月、1-2年、2-3年和4年以上的时间内可以创造出什么样的价值? 4、公司能做些什么(有证据支持)来加速人力资源分析价值的进程? 在加速行程之前，你知道那次行程是什么吗？创建人力资源分析价值的最大障碍之一是无法明确人力资源分析的价值。在去年的研究中，我们决定验证“描述性”，“诊断性”，“预测性”和“规定性”成熟是否合理，以及这些差异在实践中的作用。77%的研究社区认为自己是“描述性的”或“诊断性的”，当被追问时，很难解释什么是更高级的分析价值。记住!归根结底，人力资源分析将为你的企业增加多少价值，直接关系到它将在多大程度上改善你的公司做出人为决策的方式。或者更具体地说，回答关于您的员工的问题的方式 - 如果您使用人力资源数据和指标没有帮助某人在正确的时间用恰当的观点回答正确的问题，那么它就没有增加加它应该（或不应该）的价值。关于如何进行人力资源分析的最佳实践建议并不缺乏——我们的研究表明，这些建议存在一些关键的局限性人力资源分析功能的类型虽然我们想要测试“描述性”到“规范性”分析的概念，但我们想要更详细地探索我们是否能够确定不同类型的功能如何形成的趋势，以及它们如何成长为当前状态。我们想要探索目前越来越普遍的假设，即高级人力资源分析功能需要提供更不成熟和更成熟的分析。我们的研究结果可以在最终报告中更详细地找到，表明有五种分析类型： 1、基本报告 2、自动化先进的报告 3、高级BI 4、基本人才洞察力 5、高级人才洞察力是什么阻碍了你实现人力资源分析价值的进程? 从下面的高管典型视频(或通过阅读报告)中可以看出，企业采用人力资源分析有许多障碍。最大的障碍之一不是关注人力资源分析职能的利益相关者是谁 - 大部分职能都是由业内最资深的人力资源部门赞助 - 而是他们对人力资源分析职能本身的理解 - 这一发现与2016年的调查结果数据相呼应。对于人力资源分析知识较弱的利益相关者，他们的分析功能的成功程度更低，更难以表达他们所创造的价值，更不能帮助他们建立他们需要的团队，更不能打开正确的技术门，甚至更多。对HR分析有更好理解的利益相关者更能够将报告转移到HR数据的更高级用途。对于希望创造更高级价值的功能，使用更高级的分析技术来回答HR的问题，关键是要确保您的高级涉众能够理解高级术语之外的HR分析。从哪里开始? 行程的定义取决于您的去向以及您从哪里开始。虽然我们可以使用分析工具来确定人力资源分析功能目前所处的位置，但分析当前正在分析的人力资源领域以及未来将要分析的内容非常有用。同样，作为我们2016年报告的反映，有一些分析领域是公司优先考虑的，并且更容易分析。为什么有些组织首先攻击人力资源的更多主题领域，比如多样性，而有些组织则更容易从数据和统计能力方面进行分析。实现人力资源分析价值的加速并不一定是困难的——将自己归类为更高级的功能，其平均年龄为29个月，仅比去年人力资源分析功能的平均年龄高出8个月。在研究中，我们更详细地探讨了差异可能是什么。人力资源分析智库社区似乎正在努力解决两个主要问题: 定义人力资源分析的价值——他们很难定义分析将为他们的业务创造的价值，因此无法解开我们的智库网络研讨会演讲者(见下)能够解开的价值使用高级分析——参与者的功能能够创造分析价值，但并没有得到他们希望的那么多影响力这些主题以及更多的主题将在当前的报告中进行检查，并将在下一个报告中进行更详细的探讨。以上内容由HR Tech China AI翻译，仅供参考

人力资源分析
2018年07月13日

人力资源分析

人力资源分析工具：还没补课的HR就要被淘汰了文| Supriya Nigam 来源| towards data science 快到返校季了，我想知道学校的教育对分析技能的重要性。由于互联网分析是一个持续发展的、快速变化的主题，因此分析专业人员必须做一些功课才能跟上行业标准，达成最佳实践和工程进步。同时人力资源分析领导者还应扮演教师角色，指导内部利益相关者和外部合作伙伴的选择。分析为什么很重要，以及分析如何帮助我们实现特定的业务目标呢？让我们看看几个分析教育的课程选择指导公司高层：首先要指导业务部门和产品经理如何共享信息，并教他们如何使用多种分析工具。教科书厚度的报告满是员工的信息和行为，而没有上下文联系，这无益于公司高管做出好的决策。事实上，高层只会感到挫折和困惑。例如，为了更好地理解员工绩效数据，我们应该始终与去年，上个季度或上个月的数据相比。根据公司的情况，完成“语言”课程以及仔细研究页面浏览量，独立访问者和会话长度等可能至关重要的数据。此外，管理人员应该受到了解这些指标如何相互联系，并与中心业务目标保持一致。没有完全理解这些参数的执行团队或者人力资源部门，他们的分析可能会快速陷入反作用行为。一家大型媒体公司的执行小组遇到了一些令人沮丧的情况，他们持续提供来自两个据称可靠的消息来源的报告，这些消息来源涵盖了明显相同的细节。这其实是你不想看到的情况。 HR分析的目标人力资源分析旨在为组织提供有效管理员工的见解，从而确保快速高效地实现业务目标。人力资产分析的挑战将是确定应记录哪些信息以及如何使用这些信息，并对其进行建模和预测，从而使组织获得最佳的投资回报（ROI）。人力资源部门正在创造比以往更多的数据，但与此同时，他们经常努力将他们的信息转化为宝贵的见解。根据领导者和人力资源部门在全球各地的公司所做的工作，专家们确定了一些基本分析管理人员可能会利用的一些方法来改善组织中与人员相关的方面。投资正确的人力资源分析工具通过使用正确的分析工具发现最终的员工空缺，满足您的业务需求。了解运营和战术人力资源差距，以加强人员规划。使用招聘，离职和退休趋势，以及人力资源干预措施和策略库，以减轻可能阻碍进步的危险。通过对劳动力和价格进行建模来评估劳动力计划的财务情况。以可靠的情报提升业务决策。探索招聘，人员多样性，营业额等挑战。通过个性化标题，人力资源仪表板和报告分享见解和倾向。正确的人力资源分析解决方案将业务与IT连接起来，帮助您缩小自动化转换策略与实际行动之间的差距。从设计发现到加速创建，再到成功使用有形的业务成果，您都可以拥有最能理解应用程序的可靠顾问来打破新局面，以发展公司。以上内容由 HRTechChina AI 编译完成，仅供参考

人力资源分析
2018年05月15日
人力资源分析

HR部门该如何通过数据分析来提升员工体验？文| patrick coolen 关于人力资源分析 2018年的德勤人力资本趋势报告显示，70％的受访企业都在进行重大的数据分析项目，并将人员数据纳入决策。我们可以认真地说，（预测性）人力资源分析开始成为主流。更多的组织正在使用统计或数据挖掘技术来分析人员数据，以支持他们的决策。因此，对于更多的组织来说，他们正在打破一堵墙，也就是从描述性分析转变到预测分析。我们的组织在过去四年中使用预测性HR分析发现了约600种不同的见解。这些见解分布在所有业务线上，通过多种建模技术收集，如（逻辑）回归，（随机森林）-决策树模型，多层次分析和最近的生存分析数据（通常被用于用户流失预测）。下面您会看到我们的一些商业研究目标（右侧）以及与不同输入变量（左侧）的关系的屏幕截图。正如你所看到的，多年来我们研究了客户满意度，销售额或其他财务指标，比如工作质量，工作效率等等。而且还有更多人力资源话题，例如旷工，参与度，目标和合作。有很多组织正在从描述性分析转向预测分析。大多数预测分析工作都是在特设方案或项目基础上完成的。来自预测性HR分析项目的见解尚未实现自动化或产品化。为了在数据收集和研究方面采取更持续的方法，并能够将这些见解和创新转化成现有的或者新的产品，您需要更持续的分析方法。换句话说，我们最终需要从预测分析转向持续分析。同时需要与另一个目标结合，即最大化员工体验。关于员工体验对我们来说，员工体验一直是去年人力资源战略和转型的核心。我们的目标是为所有新旧员工设计和建造一个高价值，综合和相关度高的体验。我们坚信，当我们能够改善员工体验时，我们将创建一支更有积极性和生产力的员工队伍，以帮助我们实现业务目标。根据IBM和Globoforce的一项研究，积极的员工体验与更高的工作绩效存在着正向联系，更少的努力和更低的营业额也是这样。我们接下来将评估更高的员工体验对组织的业务目标的影响。与许多其他组织一样，我们创建一个员工旅程，里面包含了员工生命周期中的所有体验。从新员工的“最佳开始”，到员工职业生涯和个人生活的“有意义的成长”，以及员工对团队做出重要贡献的时刻。员工离开组织时，会得到“伟大的大使”称号。正是通过这些“重要时刻”，我们希望为员工带来改变，并最大限度地提升他们的体验。一年前，我们进行了广泛的调查，以了解我们的员工对旅程项目的看法，并了解他们实际上会在什么时候、通过什么方式接触到HR联系，HR信息，福利，HR服务，HR报告等。根据调查结果，我们做出了上面的主题列表。我们将它们分为五个阶段并对其进行优先排序，以便我们能够灵活高效地根据研究，开始改进最重要的员工体验主题。一个例子就是我们在人力资源门户网站上有太多的信息。所以我们来自HR联系、HR共享服务部门和员工体验项目的同事们开始致力于减少内部网页的数量（共有800个）并创建更友好的用户界面，使我们的员工更容易、尽可能快地找到正确的信息。还有更多的例子可以改善我们的入职体验，比如提升入职体验、掌握学习平台的基础知识和招聘流程。我们开了个好头，但是我们知道我们还没有完全达到目标。我们需要提高处理来自员工的不同信息并将其转化为行动和创新的熟练度和能力。换句话说，我们需要结合我们的员工经验和分析工作来创建持续的倾听策略，以便利用好人力资源并创造更多的员工和业务价值。关于持续倾听在我们更详细地阐述我们如何看待组织内的持续倾听之前，最好对此主题进行定义。因为某些组织所指的持续倾听是调查管理，而另一些组织则指的是以更广泛的视角使用各种类型的员工数据。所有的定义都没错，但是我们采用了Laura Stevens的定义（成功持续聆听计划的4个指导原则），所以只有你值得信任，才能够得到员工的信任。 - 持续倾听是一种协调一致的跨职能工作，通过采用以客户为中心的思维模式和分析技术，不断收集，整合和分析各种员工数据，从而最大限度地提升员工体验，并最终推动和提高公司业绩。因此，为了理解是什么推动我们员工的需求和抱负，我们需要提高自己的能力并愿意“更好地倾听”。前几年，我们主要通过年度表现调查来倾听员工的意见。许多组织已经从年度绩效管理转向经理和员工之间更持续的对话，但绝大多数组织仍在使用年度表现调查来听取员工的反馈意见。这是一个缓慢变化的过程，但像阿迪达斯（Stefan Hierl）这样的一些组织已经成功实行了一项调查策略，以不断更新的方式，对不同的主题进行调查。当我们谈论与员工体验相关的数据时，我们需要将主动和被动收集的数据分开。这两种数据对于更好地了解员工需求都至关重要。积极收集数据意味着我们在积极地听取员工所有的反馈意见。这可以通过年度调查、民意调查或专家小组问卷调查实现。在这种情况下，被动收集的数据，即我们的系统中已经存在的员工数据，如交易数据（例如福利的使用，工资数额，学习行为，点击门户网站的行为），联系人力资源部门的数据（例如提出问题，投诉的数量）或社交媒体信息数据（比如内部社交媒体上的博客）。这两种数据都需要管理。主动收集员工数据应该通过调查管理策略，遵守相应的和非常必要的指导方针，以避免GDPR（一般数据保护条例-general data protection regulation）泄漏，调查过度，糟糕的调查设计或简单地收集无效数据。被动式数据通过现有的人力资源IT项目进行管理，可提高数据质量并以更有效的方式整合数据。这就是为什么从广义上持续倾听是HR员工体验，人力资源服务交付和人力资源分析的共同责任。拥有更好，更持续地倾听员工的技术能力是一回事，经常使用它是另一回事。基本上就是要像对待客户一样理解和对待员工。人力资源部门应该将自己定位为员工营销者。我们需要更好地了解不同的员工群体，他们的需求以及改善提升员工体验和表现的机会。这需要人力资源部门的每个人都有不同的心态，特别是我们的流程和负责端到端体验的产品负责人。他们需要拥有以好奇心为基础，定期了解我们的员工的思维模式，识别和掌控员工领头人的能力，使用工具和数据的能力以及将员工反馈转化为动力的能力。每个员工都是独特的个体，但在工作环境里他们都可以归类为某一种职场角色。比如新员工，经理，执行经理，面向客户的员工，初次管理的员工等等。基于这些角色，他们的职业阶段，家庭状况，需求等等，我们能够更好地专注于特定员工群体的具体解决方案。最后，持续聆听不仅仅是创建或改进员工数据。这只是短期内的主要关注点，我们不应该忘记创造更明智，更相关的见解，以推动新产品和现有产品的创新。这就是为什么我们认为连续聆听应分三步进行分组的原因。（1）创建员工体验数据（短期）这一阶段的目的是主动收集来自调查，面板和pulse软件的员工数据以及来自交易系统的被动员工数据，以便立即改善部分员工体验。对于主动倾听的部分，我们正在使用Willis Towers Watson的自助式调查平台。大多数调查通过这个平台得到支持。我们正在创建一个日历，在一年中不同时期传播不同的人力资源主题，以便在如参与度，领导力，多样性，协作或绩效等人力资源主题上进行更专注和更具针对性的调查。对于面板和pulse软件，我们正在与IBM连接，我们正在与来自Customer Experience（CX）的同事一起使用他们的平台。在这里，我们正在一个志愿者（员工）社区里试验，他们愿意立即回答我们可能对任何可能的人力资源话题或服务提出的问题。（2）创造员工体验的见解（短期和中期）这个阶段是关于在集成数据集上应用预测分析。这是一个推动创新的数据集成。通过整合数据和分析，我们更有可能找到类似以下的见解; ‘新加入者需要做些什么来加速提升他们的生产力并获得最佳地开始？’ - 将反馈或参与数据与销售或绩效数据相结合 ‘首次转入经理角色的员工的具体需求是什么？’ - 将反馈或参与数据与交易数据相结合（转入经理角色） ‘我们如何才能最好地保留员工的特定关键角色？’ - 将反馈或参与数据与职场角色数据结合起来 ‘我们如何帮助销售人员有效选择正确的学习干预？’ - 将反馈或参与数据与学习使用情况以及销售或绩效数据相结合在我们的案例中，集成员工数据集的方法是一种实验性的高度灵活的方法。根据使用情况，我们需要评估可行性和潜在价值。在分析工具方面，我们使用SAS，Python和BigML的混合体。（3）创造创新（中期和长期）这个阶段是最困难的阶段。最后，您希望将您的见解转化为新产品或现有产品的创新。这就是真正的潜力是以更具开拓性的方式最大化员工体验的地方。大多数人力资源组织只是持续倾听之旅的开始，它们刚刚开始了解以员工为中心的方法的潜在价值，但仍然无法从综合数据分析中获得所有见解的可能收益。以下例子说明了一些未来可能的创新。如果我们能够找到第一次担任经理的员工的具体需求，我们可以通过线上职业指导或者门户聊天机器人将这些情报回馈给相关员工。假设我们发现与好友（同事）进行每日或者每周一次的会议，对新加入者的生产力影响最大，我们可能会向新加入者，他们的好友和管理员发送“推送”（通知），通过WhatsApp，电子邮件或者其他应用程序确保这些对话实际发生。将客户对他们直接接触的员工的反馈与NPS（消费者推荐该公司或者产品的意愿-net promoter score）评分相结合后，我们发现特定的学习干预对NPS没有贡献，例如闭环反馈干预。当员工在线学习时，他们登录学习系统（T2G）时可能会被推向最有影响力的个人学习干预方向。如果您还想知道更多提升员工体验的建议，2018年度候选人体验大奖评选已经正式启动，将于7月20号举办颁奖典礼。届时，您可以在现场听到、看到最新最实用的候选人体验案例。我们诚邀您参加，详情可扫描下图二维码。以上内容由HRTechChina AI编译完成，仅供参考

人力资源分析
2018年05月14日
人力资源分析

HR必看：如何用数据分析来提高员工参与度文| karishma borkakoty 来源| towardsdatascience 根据Timesjobs.com最近进行的一项调查显示，60％的员工对他们目前的工作不满意，而80％的员工表示他们正在换工作。同时，员工的不满情绪年复一年地大幅增加。这项调查同时说到，员工的负面情绪可归因于组织中人力资源管理不善。 2015年，78％的员工表示，他们对目前的工作感到满意，尽管他们仍然乐于接受其他工作机会。这些日子，员工对工作的不满情绪在不断上升，其中工作与生活的不平衡，工资低，工资增加幅度低，工作琐碎是造成这种状况的原因。对于我们很多人来说，故事是把我们带回记忆之路的东西。有些故事足以影响我们的印记，让我们与现实保持联系。同样，故事可以在连接组织内的人员方面发挥重要作用。这些故事中可以有情节和次要情节，可以帮助组织了解他们的员工对工作，他们的经理以及他们可能希望雇主改变以提高透明度的感受。但问题是，你是否花费了足够的时间和资源来理解为什么有些员工有不好的故事，有些有好的故事？您是否正在深入挖掘、解决，保留，参与和脱离的奥秘？您是否将员工和公司数据与行业数据结合使用，有助于促进更好的员工敬业度决策？如果您对所有这些问题回答“是”，那么您的公司可能拥有最佳的互动政策。如果在说出是的话之前你必须思考一段时间，现在是时候重新思考如何进行员工参与活动了。数据是维持员工积极性的关键每家公司都使用客户互动记录，购买历史记录，社交媒体，在线社区和调查等来更快更准确地预测客户的未来行为。但是，我们经常忘记我们的高优先级客户是我们的员工队伍。就像公司与客户建立长期关系的方式一样，这些公司也需要加强与员工的关系。但许多公司无法做到这一点，因为他们无法准确解读调查获得的数据结果，从而无法制定可改善员工参与度的策略。虽然人力资源数据储备巨大，但企业无法收集其员工的相关指标，这使人力资源团队难以分析，理解员工行为以及采取相应的行动。从解释数据的基本问题开始，比如“你的员工为成为组织的一员而感到自豪吗？”，“作为一名雇主，你是否给了他们足够的激励以保持动力？”，以及“你是否花足够的时间听到并解决员工的不满？“可以帮助企业获得有趣实用的见解。还有一些组织应该思考的一些数据分析的着手点，以便在个人和组织层面上更好地理解其员工的参与。事实上，这些数据集中的很多可能会在各种人力资源系统中进行跟踪和收集。数据分析在人力资源管理中的价值 - 案例研究和举措虽然人力资源分析仍处于初始阶段，但其市场上成功应用的例子却不断增加。在哈佛商业评论文章中，米克柯林斯强调了黑山公司如何利用人力资源分析的优势。 Black Hills Corp.是一家拥有130年历史的能源集团，收购后将其员工人数翻了一番，达到约2,000名员工。像许多能源公司一样，各种挑战（老龄化劳动力，专业技能需求以及让员工获得全面胜任的漫长时间表）带来了巨大的人才风险。为了防止大规模的人员流动灾难，该公司使用劳动力预测分析来计算每年有多少员工退休，需要替换的员工类型以及这些新员工最可能从哪里来的员工。其结果是一场劳动力计划论坛，对89项旨在解决潜在人才短缺问题的行动计划进行了分类和优先排序。同样，BRIDGEi2i帮助全球商业服务组织识别并采取行动，提高其庞大而多元化的员工群体的满意度和参与度。在TLNT发表的一篇文章中，国际知名的人力资源思想领袖John Sullivan博士列举了谷歌过去和现在在人员分析方面的一些举措。氧气项目：帮助他们确定伟大领导者的八个特征。数据证明，除了优秀的技术知识之外，周期性的一对一辅导，包括表达对员工的兴趣和频繁的个性化反馈，被列为成为领导者的关键特征。 PiLab：一个独特的小组，在Google内部进行应用实验，以确定管理人员和维护生产环境的最有效方法（包括识别使员工最快乐的奖励）。保留算法：Google开发了一种数学算法，主动并成功地预测哪些员工最有可能成为保留问题。可操作的分析正在推动人力资源管理的成功人才分析成功的故事鼓励其他组织毫不拖延地采取分析措施。根据SHL全球评估报告，全球企业中有不到50％的人在做出人力决策时使用客观数据，只有不到20％的人对他们当前的数据管理系统管理人才数据的能力感到满意。但是，凭借可操作的分析，领导者和管理人员拥有巨大的机会来利用人才数据来降低员工成本，确定收入来源，缓解风险并执行业务战略。旨在追踪员工敬业度，满意度和保留率的分析解决方案是建立和维持快乐和积极进取的员工队伍的关键。分析可以帮助企业找到激励员工的方式，促进与员工奖励，定制培训等有关的计划。数据驱动型员工敬业度战略的早期采用者必将在竞争中茁壮成长。现在是唤醒数据分析并加强大多数组织缺乏的数据分析专业知识的时候了。以上内容由HRTechChina AI翻译，仅供参考

人力资源分析
2018年05月08日
人力资源分析

人工智能如何促进人力资源分析 How AI Can Boost HR Analytics Marianne Chrisos How AI Can Boost HR Analytics 使用AI技术改善您的人力资源报告。了解如何使用AI来更有效地衡量您的人力资源指标。随着人工智能技术的不断发展，也许你会想知道在人力资源部门是否有人工智能的地方。人工智能在人力资源分析中的作用是什么？我们花了一些时间专门研究人力资源分析的好处，以及人工智能如何帮助促进人力资源部门的报告和分析，以更多地了解组织的健康和效率。每位经理应该知道的人力资源分析类型分析可能不是HR谈到的第一件事。您的具体人力资源需求可能更多地集中于遵守规则条例或员工福利。以下是一些人力资源分析示例，有助于说明为什么报告在每个部门（包括人力资源部门）都很重要。员工流动率：人力资源部门和企业可能会有一个偶然的想法，即他们的组织内有多少员工流失 - 也就是说，人们退出的频率如何，或者公司必须重新雇佣相同职位的频率。如果一位人力资源经理不断发布需要销售人员的广告，这可能意味着销售人员正在放弃 - 或者销售额在增长，他们需要更多人来满足需求。为了真正了解其原因是由于营业额还是其他原因 - 以及衡量员工翻身的频率，这可能会告诉您关于商业或文化的一些事情 - 您需要使用分析来衡量。申请人的质量和数量：你的招聘信息有多好？你的企业声誉有多好？你可以找到这些问题的答案 - 并且如果你发现答案“不是很好”，通过分析你的工作发布的申请人数，特别是申请人的质量，可以帮助确保做出调整。使用报告软件可以衡量您的候选人是否符合质量要求，并报告申请人的属性。他们有相同行业或职位的经验吗？他们有帮助组织发展或从事大型项目的历史吗？分析可以帮助您在回答这些问题的同时节省时间。文化：虽然上述两种分析可以让您对企业文化有所了解，但具体的文化分析对于了解您的企业的健康状况非常重要。使用人力资源工具，如自我报告软件和人力资源调查，您可以编辑和分析数据，分享员工对文化态度的共同点。人工智能在人力资源分析中的作用人工智能是一种改变游戏规则的技术，因为它能够分析大量数据并找到模式，甚至做出预测。人力资源分析工具从人工智能中受益，因为人力资源部门有大量原始数据可供使用，人工智能可帮助快速有效地对这些数据进行分类。人才管理系统可以结合人工智能来分析简历关键字和其他指标，以帮助预测潜在招聘信息的最佳人选，从而为人力资源招聘人员节省大量时间。AI还与其他HR数据分析工具一起工作，以推荐培训领域或预测潜在的营业额。以上AI翻译完成。作者：Marianne Chrisos Born in Salem, Massachusetts, growing up outside of Chicago, Illinois, and currently living near Dallas, Texas, Marianne is a content writer as a company near Dallas and contributing writer around the internet. She earned her master's degree in Writing and Publishing from DePaul University in Chicago and has worked in publishing, advertising, digital marketing, and content strategy.

人力资源分析
2018年02月21日
人力资源分析

“人员分析现在可以成为战略性竞争优势” 工业工程师弗雷德里克泰勒在1911年发表了他的报告“ 科学管理”，该报告研究了钢厂工厂工人的流动和行为，从而开始了这一趋势。此后，公司已经部署了数千次参与调查，研究了最高领导者的特征，对留存率和营业额进行了无数次评估，并建立了大量的人力资源数据仓库。所有这些努力都是为了弄清楚“我们能做些什么来让我们的人们获得更多收益？” 那么现在这个域被称为人们的分析，它已经成为一个快速增长的核心业务举措。一项题为“ 高影响力人物分析 ”的研究报告由Deloitte在去年11月由Bersin完成，发现69％的大型组织拥有人员分析团队，并积极构建与人员相关数据的综合存储。为什么增长和为什么业务势在必行？几个技术和商业因素相互碰撞使这个话题变得如此重要。首先，组织拥有比以往更多的与人员相关的数据。由于办公生产力工具，员工证章阅读器，脉搏调查，集成的企业资源规划系统和工作中的监控设备的激增，公司拥有大量关于员工的详细数据。公司现在知道人们与谁交流，他们的地点和旅行时间表，工资，工作经历和培训计划。内置于电子邮件平台中的组织网络分析的新工具可以告诉正在与谁交流的领导者，用于音频和面部识别的新工具识别谁处于压力之下，以及摄像机和热传感器甚至可以确定人们在他们身上花费了多少时间书桌。可以认为，这些信息大部分都是保密和私密的，但大多数员工并不介意获取这些数据的组织，只要他们知道正在改进他们的工作体验，正如2015年会议委员会的研究所显示的那样，Big数据并不意味着大哥哥。虽然从5月25日起可执行的欧盟通用数据保护条例标准将会将隐私权和治理责任放在人力资源部门，但雇主正在加紧处理这些数据并小心处理这些数据。其次，作为获得所有这些数据的结果，公司现在可以学习重要而有力的事情。不仅高管们被迫就多元化，性别薪酬公平和营业额等议题进行报告，而且他们现在还可以使用人员分析来了解生产力，技能差距和长期趋势，这些可能会威胁或创造业务风险。例如，一个组织发现欺诈和盗窃事件是“具有传染性”，导致同一楼层的其他员工在一定距离内出现类似的不良行为。另一种方法是使用情绪分析软件来衡量组织中的“情绪”，并根据他们的沟通模式来识别具有高风险项目的团队。许多组织现在都在研究营业额，甚至可以通过监测电子邮件和社交网络行为来预测它，从而使管理人员能够在辞职前指导高绩效员工。组织现在使用分析和人工智能或人工智能来解码职位描述，识别造成偏倚招聘池的单词和短语，并防止性别和种族多样性。制造商使用人员分析来识别可能发生事故的员工，而咨询公司可以预测哪些人可能会因过多的旅行而被烧毁，而汽车公司现在知道为什么某些团队按时完成项目，而其他人则总是迟到。因此，人工智能进入领域，给予它更多的权力和规模。一个新的基于人工智能的分析工具会向管理人员发送匿名电子邮件，询问简单问题以评估管理技能。通过其精心设计的算法，它为管理人员提供了一套无需赘述的建议，并在短短三个月内将管理效率提高了8％。据Sierra-Cedar 2017人力资源系统调查显示，对于人力资源部门而言，人员分析现在是公司希望替换或升级人力资源软件的首要原因。但对于首席执行官，首席财务官和首席运营官来说，这更重要。当一个销售团队落后于其配额实现或者商店的销售数字落后时，为什么领导者不会问“我们可能能够解决的团队中的人员，实践和管理者有什么不同？”或者甚至更大问题是“如果我们想通过收购德国的某家公司来发展我们的业务，文化和组织的影响会是什么？”这些关键的战略问题都可以通过人员分析来解决。这门学科的历史是战术性的，有点神秘。多年来，工业心理学家领导了这项工作，主要关注员工敬业度和营业额。然而，今天，该行业正在采取新的行动，将其精力重新集中在运营，销售，风险和绩效指标上。技术工具在这里，公司已经有人工智能工程师准备以强大而有预见性的方式分析数据。分析人士表示，这个领域将会持续增长，请记住，对于大多数企业而言，劳动力成本是资产负债表中最大和最可控制的支出。底线很明显：人们的分析现在可以成为战略竞争优势。专注于这一领域的公司可以出租，淘汰和淘汰竞争对手。以上由AI自动翻译。 Fredrick Taylor, an industrial engineer, started this trend in 1911 when he published his report Scientific Management, which studied the movement and behaviour of factory workers in steel mills. Since then companies have deployed thousands of engagement surveys, studied the characteristics of top leaders, done countless reviews of retention and turnover, and built massive human resources data warehouses. All in an effort to figure out “what can we do to get more out of our people?” Well now this domain is called people analytics and it has become a fast-growing, core-business initiative. A study, entitled High-Impact People Analytics and completed last November by Bersin by Deloitte, found that 69 per cent of large organisations have a people analytics team and are actively building an integrated store of people-related data. Why the growth and why the business imperative? Several technical and business factors have collided to make this topic so important. Firstly, organisations have more people-related data than ever before. Thanks to the proliferation of office productivity tools, employee badge readers, pulse surveys, integrated enterprise resource planning systems and monitoring devices at work, companies have vast amounts of detailed data about their people. Companies now know who people are communicating with, their location and travel schedules, their salary, job history and training plans. New tools for organisational network analysis, built into email platforms, can tell leaders who is communicating with whom, new tools for audio and facial recognition identify who is under stress, and video cameras and heat sensors can even identify how much time people spend at their desks. It could be argued that much of this information is confidential and private, but most employees don’t mind organisations capturing this data, as long as they know it is being done to improve their work experience, as shown in 2015 Conference Board research, Big Data Doesn’t Mean Big Brother. While European Union General Data Protection Regulation standards, enforceable from May 25, will put the burden of privacy and governance on HR departments, employers are stepping up to this and treating such data with great care. Secondly, as a result of having access to all this data, companies can now learn important and powerful things. Not only are executives being forced to report on topics such as diversity, gender pay equity and turnover, but they can also now use people analytics to understand productivity, skills gaps and long-term trends that might threaten or create risk in their business. One organisation, for example, found incidents of fraud and theft were “contagious”, causing similar bad behaviour among other employees on the same floor within a certain distance. Another is using sentiment analysis software to measure “mood” in the organisation and can identify teams with high-risk projects just from the patterns of their communication. Many organisations now study turnover and can even predict it before it occurs by monitoring email and social network behaviour, enabling managers to coach high performers before they resign. Organisations now use analytics and artificial intelligence or AI to decode job descriptions, identifying words and phrases that create biased recruitment pools and prevent gender and racial diversity. Manufacturers use people analytics to identify workers who are likely to have accidents, while consulting firms can predict who is likely to be burnt out from too much travel and automotive companies now know why certain teams get projects done on time when others are always late. AI is, therefore, entering the domain, giving it even more power and scale. A new AI-based people analytics tool sends anonymous emails to a manager’s peers asking simple questions to assess managerial skills. Through its carefully designed algorithms, it gives managers an unthreatening set of recommendations and has improved managerial effectiveness by 8 per cent in only three months. For human resources departments, people analytics is now the number-one reason companies want to replace or upgrade their HR software, according to the Sierra-Cedar 2017 HR Systems Survey. But for chief executives, chief financial officers and chief operating officers, it’s even more important. When a sales team is behind its quota attainment or a store’s sales numbers fall behind, why wouldn’t a leader ask “what’s different about the people, practices and managers at those teams that we may be able to address?” Or an even bigger question is “if we want to grow our business by acquiring a given company in Germany, what will the cultural and organisational impact be?” These critical strategic questions can all be answered by people analytics. The history of this discipline is tactical and somewhat arcane. For years industrial psychologists led the effort and focused primarily on employee engagement and turnover. Today, however, the industry is taking on a new light, refocusing its energy on operational, sales, risk and performance measures. The technology tools are here and companies have AI engineers ready to analyse the data in a powerful and predictive way. And analysts say this domain will grow for years to come; remember that for most businesses, labour costs are the largest and most controllable expense on the balance sheet. The bottom line is clear: people analytics can now become a strategic competitive advantage. Companies that focus in this area can out-hire, out-manage and out-perform their competitors.

人力资源分析
2018年02月13日

《 123 》