跨跃“布德罗之墙”，真正走向人才大数据分析

在被数字技术，智能技术充斥的新时代，企业竞争越发激烈。其竞争的根本是人才的竞争，利用大数据技术进行人力资源分析，整合与发挖内部人力资源，找到人才竞争优势，是每位HR的当务之急。

人力资源数智化变革需注意两个变化

人力资源大数据分析即数智型人力资源管理，是以智能的方式利用数据并从中获取洞察力，这些洞察力不仅可以提高公司内部人员的绩效，还有助于公司整体成功。数据可以说明过去，数据也可以驱动现在，数据更可以决定未来。

环顾企业内部运营与管理，财务、生产、研发、营销已经习惯于用数据来说话，但还保留着一块传统区域，就是人力资源管理。换言之，多数优秀企业数智化转型已见成效，人力资源部落后于其它部门，数智型人力资源管理转型已迫在眉睫。

而且可以发现，HR部门转型咨询的热情非常高涨，呈井喷趋势。既使在今年疫情期间，用友已与上百家企业HR共同探讨人力资源大数据分析以及数智型人力资源管理转型建设思路。国内企业人力资源管理将经历一场变革，传统的流程驱动模式正在被这波数据分析驱动所取代。这个变革过程，企业需要关注两个演化。

一、技术演化：智能机器人促进了更高程度的自动化，每个HR和员工都应有智能助手，越来越多的新技术应用于智能机器人上，如自然语言识别、智能语音交流、意图识别、风险预警、预测分析、情绪分析、文本分析、视频分析、图像分析、声音与语音分析、机器学习、深度学习等等，从而提升HR在潜能分析、人才获取能力分析、领导力分析、工作有效性分析、人才流失预警与分析、企业文化分析、员工绩效分析等方面的能力。

二、人力资源职能演化：如果有人说自己完全确定数智型人力资源管理的发展方向，那都是在撒谎。科技的进步是我们现在无法想象的，但是我们可以根据一些新兴的趋势对未来可能出现的一些情况做一些预测。HR需要拥抱新技术和更强的数字化、智能化，当日常的、琐碎的事务性工作被自动化后，人力资源管理团队就会释放出来，专注于能为企业带来更大价值的、更具战略性的工作中。

“价值分析”是人力资源数据分析的本质

‍数据分析可以为数智化转型插上翅膀，很多时候数智化转型不光提高信息效率，‍‍更多是能够通过数据分析‍‍发现管理价值。‍‍在人力资源管理和运营过程中，梳理出尽可能多的指标，‍‍将指标罗列出来，‍‍并进行统计和可视化，用很炫酷的驾驭仓仪表盘清晰的表达出人力资源运行的效率、效能和价值。

德勤的一份研究报告显示，那些增加人力资源数据分析投资的公司正“以双倍的速度改进招聘工作，以3倍的速度提高他们的领导力发展能力，且平均股价比一般公司高出30%”。有一句话应该被铭记：我们经常忘了，你投入时间进行分析，不是为了获取结果，而是为了获取洞察。

‍人力资源数据分析的核心是价值分析，它重点体现在纵向深度价值分析以及横向业务驱动分析。‍纵向深度价值分析我们以离职率分析为例来说明，如“离职率=‍离职人数/(期初‍人数+入职人数)”或“离职率=‍离职人数/(期末‍人数+离职人数)”(很多人都会把这个公式弄错或者弄反了，会把分母当成期初人数加期末人数除以2，这是错误的)。‍离职率的数据分析怎么样体现它的价值层次呢?‍

‍首先是整体的离职率，比如说我们公司离职率10%，你向总经理汇报，总经理说你这个数据不行，‍‍我们公司一共4个副总已经走了三个了，‍‍副总这一级别的离职率75%。‍这类宏观数据实际价值是有限的，‍比如说平均年龄，‍‍平均并不能体现一家公司的‍‍这个年龄特点，平均房价也不能体现一个城市的房价的特点。可见，‍笼统数据不能体现问题，颗粒度变小才能发现问题，‍要将数据细分，‍如‍分类、分层、‍‍分时段、分人员、‍不同工龄、不同性别，不同年龄段的离职率分析，‍‍

第二层是细分人才离职分析，如‍关键人才离职分析，公司4个副总走了三个，这都是关键人才，他们的离开会对公司造成比较大的影响，我们需要去分析主动离职的影响因素，尽可能将关键人才挽留下来，或避免这类事件频繁出现，关键人才离职率有个变异指标叫关键人才留任率，这其实是一种管理思维的转变。

第三层，比人才留任率更好的一个统计指标叫离职预测分析。‍依据‍离职要素与离职关键行为分析‍‍进行离职预测分析，随时大数据技术的广泛应用，机器学习、深度学习能为HR所用，如利用随机森林算法、Boosting算法等算法模型进行离职倾向性分析，通过一定时间的算法模型训练后，预测的准备度是非常高的。

横向业务驱动分析主要是从业务目标出发，观察员工的行动、决策与行为模式，以及其行动与决策对业务目标的影响关系，找到关键成功要素，进行人才与业务驱动因素分析、激励与留任因素分析等。

人力数据分析成熟度模型与成长路径

人力数据分析的好处和价值显而易见，但并没有成为主流，仅有一小部分公司全面开发了她们的人力数据分析能力，为什么HR部门数据分析能力落后于组织内其它部门呢?这个问题的答案会比较复杂，可以概括为两个方面原因：一是技能缺乏。传统HR部门缺乏数据分析所需的IT和分析技能，让很多组织在推行人力数据分析方面举步为艰。HR完全可以从内部发挖具备数据统计能力的员工，为我所用;二是“布德罗之墙”。HR擅长于描述性分析报告，如假勤统计、绩效分析、结构分析等，这些描述性分析都很容易进行，一旦HR想开展预测性分析和指导性分析就撞上了一面“墙”，这面“墙”在2010年被布德罗和卡西奥最早所提及，从此被称为“布德罗之墙”，HR难以逾越“布德罗之墙”是因为，一方面，来自组织内部多套系统的数据需要融合在一起，才能更好的分析;另一方面，实际的分析还需要更高阶的数据分析方法。

“布德罗之墙”说明了HRM必须经历一些阶段来发展数字分析能力。为了帮助组织提高人力数据分析成熟度，德勤咨询顾问乔治.贝辛(Josh Bersin)创建了四级人才分析成熟度模型，对于HR很有参考意义，可以帮助组织识别目前所处的水平，以及需要如何做才能开发出成熟的人力数据分析能力。

人力分析成熟度模型

（编辑：PHP编程网 - 黄冈站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!