跨越“布德罗之墙”，走向真正人才大数据分析

在充满数字技术和智能技术的新时代，企业之间的竞争日益激烈。其竞争的实质是人才的竞争。利用大数据技术分析人力资源，整合和开发内部人力资源，发现人才的竞争优势，是每个人力资源的重中之重。

人力资源数字化应注意的两个变化

人力资源大数据分析，即数字人力资源管理，以智能的方式使用数据并从中获得洞察力。这些见解不仅可以提高公司内部人员的绩效，而且有助于公司的整体成功。数据可以解释过去，数据也可以驱动现在，数据可以决定未来。

从企业的内部运营和管理来看，财务、生产、研发和营销已经习惯于用数据说话，但仍有一个传统领域，即人力资源管理。换句话说，大多数优秀企业已经在数字化人力资源管理的转型中取得了成果。人力资源落后于其他部门，数字化人力资源管理转型迫在眉睫。

此外，可以发现人力资源部对转型咨询的热情非常高，呈现井喷趋势。即使在今年的疫情期间，用友也与数百家企业的人力资源部门讨论了人力资源大数据分析的理念以及数字化人力资源管理的转型和建设。国内企业的人力资源管理将经历一场变革，传统的过程驱动模式正在被这一波数据分析驱动所取代。在这一变革过程中，企业需要注意两个演变。

一、技术进步:智能机器人提高了自动化程度。每个人力资源和员工都应该有聪明的助手。越来越多的新技术被应用到智能机器人中，如自然语言识别、智能语音通信、意图识别、风险预警、预测分析、情感分析、文本分析、视频分析、图像分析、语音和语音分析、机器学习、深度学习等。，从而提升人力资源在潜力分析、人才获取能力分析、领导力分析、工作成效分析、人才流失预警分析、企业文化分析、员工绩效分析等方面的能力。

第二，人力资源职能的演变:如果有人说他已经完全决定了数字人力资源管理的发展方向，那他就是在说谎。科学技术的进步现在超出了我们的想象，但是我们可以根据一些新兴的趋势对未来的一些可能情况做出一些预测。人力资源需要拥抱新技术和更强大的数字化和智能化。当日常琐碎的事务性工作实现自动化时，人力资源管理团队将被释放出来，专注于更具战略性的工作，为企业带来更大的价值。

“价值分析”是人力资源数据分析的本质

数据分析可以为数字转换增添翅膀。在许多情况下，数字转换不仅可以提高信息效率，还可以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，尽可能多的梳理出指标，列出来，进行统计和可视化，用一个酷的仪表盘清晰的表达人力资源运营的效率、效率和价值。

德勤(Deloitte)的一份研究报告显示，增加人力资源数据分析投资的公司正在“以两倍的速度改进招聘工作，以三倍的速度提高领导力发展能力，平均股价比普通公司高出30%”。有一句话应该记住:我们经常忘记你把时间花在分析上不是为了得到结果，而是为了获得洞察力。

人力资源数据分析的核心是价值分析，它侧重于纵向深度价值分析和横向业务驱动分析。纵向深度价值分析我们以离职率分析为例来说明，例如，“离职率=辞职数/(入职员工数+员工数)”或“离职率=辞职数/(离职员工数+辞职数)”(很多人会错误或颠倒这个公式，取分母为入职员工数加上离职员工数除以2，这是错误的)。周转率的数据分析如何反映其价值水平？‍

首先是整体周转率。例如，我们公司的周转率是10%。你向总经理汇报。总经理说你不能这么做。我们公司的四位副总裁中有三位已经离开了。副总裁级别的更替率为75%。这种宏数据的实际价值是有限的。例如，平均年龄不反映公司的年龄特征，平均房价不反映城市的房价特征。可以看出，一般数据不能反映问题，只有当粒度变小时，问题才能被发现。数据应该细分，如不同年龄组的分类、分层、时间段、人员、服务年限、性别和离职率分析。

第二个层次是对人才流动的细分分析。例如，对关键人才的流动分析显示，公司的四位副总裁中有三位已经离开，他们都是关键人才。他们的离开将对公司产生更大的影响。我们需要分析主动离职的影响因素，尽可能留住关键人才，或者避免此类事件的频繁发生。关键人才流失率有一个可变指标，叫做关键人才保留率，这实际上是管理思维的一种变化。

在第三个层次上，一个比人才保留率更好的统计指标叫做流动预测分析。根据离职因素和离职关键行为分析，进行离职预测分析。随着大数据技术的广泛应用，人力资源可以利用机器学习和深度学习，如利用随机森林算法、Boosting算法等算法模型进行周转趋势分析。经过一定时间的算法模型训练，预测准备度非常高。

横向业务驱动分析主要基于业务目标，观察员工的行动、决策和行为模式，以及他们的行动和决策与业务目标的关系，寻找关键成功因素，分析人才和业务驱动因素，激励和保留因素等。

人类数据分析的成熟度模型和成长路径

人类数据分析的好处和价值是显而易见的，但它还没有成为主流。只有少数公司已经完全开发了它们的人类数据分析能力。为什么人力资源部门落后于组织中的其他部门？这个问题的答案会更复杂，可以归纳为两个原因:第一，缺乏技能。传统的人力资源部门缺乏数据分析所需的信息技术和分析技能，这使得许多组织难以实施人力数据分析。人力资源可以完全从内部招聘具有统计能力的员工供我使用。第二个是“布德罗之墙”。人力资源擅长描述性分析报告，如虚假考勤统计、绩效分析、结构分析等。这些描述性分析易于实施。一旦人力资源部门想要进行预测性分析和指导性分析，就会碰壁。这面“墙”最早是由布德罗和卡西奥在2010年提到的，此后一直被称为“布德罗墙”。人力资源很难跨越“布德罗墙”，因为一方面，需要整合组织内多个系统的数据，以进行更好的分析。另一方面，实际分析也需要高阶数据分析方法。

《布德罗之墙》说明人力资源管理必须经历一些阶段才能发展其数字分析能力。为了帮助组织提高人力数据分析的成熟度，德勤顾问乔希·贝尔辛(Josh Bersin)创建了一个四层人才分析成熟度模型，该模型对人力资源具有重要的参考意义，可以帮助组织识别当前的水平以及如何开发成熟的人力数据分析能力。

人力分析成熟度模型

级别1:运营报告:56%的组织处于人才分析成熟度的第一级。人力资源部门的工作仅限于传统的运营报告，如人员配备、流动率、人工成本、培训成本等。一个好的人力资源管理系统可以帮助组织保持员工记录的准确性和一致性。运营报告可以快速自动生成，这样人力资源也可以在更具战略性的工作上花费更多时间，然后努力升级到下一个级别。

第2级:高级报告。大约30%的组织处于这一级别。人力资源可以主动提供多角度的报告，并对决策产生足够的影响。在此阶段，人力资源指标可以通过数据仪表板(领导桌面)显示给中高层。在此阶段，应注意不要在建立新的人力资源指标上投入太多时间。相反，他们应该关注能够给业务挑战带来真正价值的指标，直面问题，清晰的数字仪表板有助于将人力资源指标转化为有用的决策依据。

第三级:高级数据分析。此时，您的组织已经进入了前14%的行列。人力资源使用建模来解决业务问题，甚至可以根据数据预测未来。通过先进的数据分析，人力资源可以积极发现问题，帮助组织有效降低风险，有效开展人力资源规划和人才供应链建设。

在第四个层面，预测分析显示，不到4%的组织达到了这一水平。人力资源部门需要全职的数字分析师来做预测建模，他们的技术内容已经远远超出了简单的数据分析。预测模型需要智能平台的支持，通过机器学习和深度学习算法模型进行预测分析，如劳动力需求预测、高潜力预测、离职风险预测等。此时，人力资源在组织的战略决策中起着重要的作用，可以识别人力资源政策对战略的影响，并在公司内部起着战略作用。

加快提高人类数据智能分析能力

智能和数字技术已经广泛应用于企业管理和商业活动中。企业的经营模式、产品和服务、经营管理体系面临转型升级的挑战和机遇。人力资源管理如何快速提高其数字分析能力，从第一层成熟度模型提升到第四层，并成为许多人力资源员工的第一要务？如何快速推广？

大数据和人工智能等新技术已经完全融入我们的工作和生活。在人力资源数据分析领域，人力资源也可以在新技术的帮助下得到增强。用友作为中国最大的企业云服务和软件提供商和中国优秀的数字人解决方案提供商，为众多国内外企业提供了人力资源数字化改造和系统平台落地服务，帮助企业进入了人力数据分析的快车道。

许多企业都以项目的形式推广人类数据分析。在初始阶段，非常重要的环节是总体规划和顶层设计。根据企业自身的特点，准确定义了人类数据分析的目标、价值和应用蓝图，为这项工作指明了方向。同时，设计了一条连续、高效、清晰的施工路径，各个阶段的施工内容紧密相连。此外，人力资源数据分析的发展需要与人力资源业务的推广和人力资源系统的完善同步进行，即人力资源数据分析可以带动人力资源业务和人力资源技术平台的整体推广，从而不断完成数字化人力资源管理转型的阶段性目标。

我们以一个小组为例来分享人类数据分析和构建过程中的关键环节。

一、数字化、智能化人才管理平台的优化升级

与传统的人力资源信息系统不同，用友智能人才管理平台强调全面应用、智能连接、数据驱动和卓越体验。它的核心要素是:连通性、智能、经验和开放性。也就是说，通过基于数据的移动工作台、智能技术(如意图识别、逻辑判断、智能推荐、情感分析、行为分析、OCR、人脸识别、数字结对、人工智能、深度学习等)将人、人和组织、人和事物联系起来。被添加到连接过程中，使得连接更紧密、更有效且更粘。同时，基于数字技术，可以充分授权员工，设计更愉悦的使用体验，激发员工的积极情绪，带动所有员工充分发挥自己的才能，激发他们的潜能。数字化人才管理平台高度重视生态连接、社会化商务和定制能力，保持了人力资源生态的开放性，既满足了新时期人才管理的需求，又充分体现了人力资源部门的服务能力。

二、总体规划和顶层设计

总体规划和项目级设计是做好这项工作的开始，指明了人类数据分析的方向、目标和实现途径，避免了头痛、头痛、脚痛等资源的浪费。分析大多数企业的现状，人力资源系统平台、数据积累和统计分析都有一定的基础。我们不能只参考人力资源分析的成熟度模型来计划目标和划分阶段。人力资源数据分析与智能技术和人力资源管理的应用同步进行。高级数字分析本身需要相关业务的支持。

需要结合企业的特点，如人力资源信息标准、基础数据、业务动态数字、发展状况、组织问题、人事问题等，制定总体规划和项目级设计。没有标准答案。下面是一个小组介绍人力资源分析的总体规划和项目级设计的例子。

第一阶段:L1数据人才管理，建立数字化、智能化的集团人力资源整体规划，搭建智能化数据分析基础平台。从人才和智能应用升级的角度出发，业务包括人才肖像、人才库存、工作肖像、人才与岗位匹配分析、领导桌面和智能员工服务。

第二阶段:L2数据人才管理，分析内容扩展到组织愿景，高级数据分析基于内部数据、历史数据和外部数据进行。内容包括组织形象、组织效益分析、智能机器人、员工体验智能升级和业务智能升级。

第三阶段:数据人才管理L3，分析内容升级为预测分析，支持人才管理更高层次的业务发展，包括预测分析(就业需求、离职预测、高潜力预测)和人才发展管理的智能升级。

第4阶段:数据人才管理L4，预测分析优化和广泛应用，数字双胞胎，包括预测分析的综合应用和优化，人力规划模型，智能机器人陪同服务，数字双胞胎。

三、导入最佳实践结果，快速开始人类数据分析

规划和设计人力资源数字化分析结构非常重要。可以借鉴人才分析成熟度模型的框架，按照纵向深入价值分析和横向业务驱动分析的原则，从运营报告、高级报告、高级数据分析和预测分析四个方面设计组织人力资源数据的分析结构和分析指标。从数据源、实现技术、计算公式、应用方向、商业价值等方面对各项指标进行了全面定义。

人力资源可以借鉴以往的经验或专业服务提供商的积累，引入优秀的企业人力资源数据分析结构和指标，快速启动数据分析工作，并在应用实践中不断提高人力资源部门的数据分析能力。

第四，分析的结果产生了初步的结果，使杰出的人浮出水面。

经历前三个关键环节，可以在短时间内产生人力数据分析结果，如人才肖像、人才库存、职位肖像、人才与职位匹配分析、人力投资回报分析(领导力桌面)等。，为人力资源部的数字分析能力和业务改进打下良好的基础。

人力资源数据分析帮助人力资源面临挑战

人力资源的数字化和智能化改造势在必行。它的发展速度和影响深度远远超出了人力资源的想象。未来，人力资源部门和整个企业都将呈现更高的自动化程度。如果一切都可以由机器人自动完成，人力资源部将扮演什么角色？因此，今天的人力资源经理需要考虑人力资源管理的未来，包括哪些可以自动化，哪些不能。人力资源管理的角色无疑将从更多与人事管理相关的事务性工作转变为帮助组织实现绩效目标的工作，为组织提供真正的价值和独特的好处。

人力资源数据的分析意味着数字化人力资源管理能够准确、及时地告诉组织“我们的人才缺口是什么”、“我们需要的关键人才在哪里”、“是什么造就了我们公司的优秀员工”、“哪些员工最有潜力”等。真正意义上，它可以实现“人才驱动的组织战略发展”！(作者:刘晓明用友网)

本文由 在线网速测试 整理编辑，转载请注明出处，原文链接：https://www.wangsu123.cn/news/4099.html。