大数据时代人才甄选模式变革：驱动与策略

王洪元

(福建师范大学 人事处，福州　350007)



大数据时代人才甄选模式变革：驱动与策略

王洪元

(福建师范大学 人事处，福州350007)

大数据作为一个新的技术时代的代表，其促使人们在思维逻辑上发生了根本的变化，并由此引发了对各领域内信息利用的重新思考。其中，新技术的运用使人才甄选具备了在全素质评估、潜力预估上的数据优势，而将这些优势转化为实践同样需要合理的策略，即在理性利用预测功能、强化机器学习、培养专业算法师三个方面应做出努力，为理性的甄选模式变革创造条件。

大数据；人才甄选；人才评价

大数据技术开启了一个新时代的转型。在人力资源的研究领域，大数据技术的出现意味着在人才价值的评估机制和人才甄选模式领域，除了传统的主观判断的方法和正在不断完善的考核机制之外，人才评价正尝试着通过数据化来衡量人才价值。如何解释和适应这一变化？只有理解大数据的思维逻辑，才能在这一时代背景下获得最恰如其分的应对之法。

一、大数据的思维逻辑

所谓“大数据”并非是一个确切的概念，一般指的是将大容量、高速和多样化的信息资产通过新的处理方式进行处理，以提高决策能力、洞察力和流程优化的数据管理方式[1]，其以巨量的云端存储数据为后盾，实现对数据信息的深度挖掘。大数据从以下三个方面重新诠释了数据的重要性，改变了人们对于信息运用的既有认识。

首先，寻求数据的“集体发声”，而不是统计技巧的优化。大数据时代使人们有能力、也更倾向于收集全数据样本。在过去相当长的一段时间以来，我们受制于技术水平不足和收集全数据样本的高昂成本，而不得不通过随机采样等手段来获得统计数据，用尽量少的样本信息获得尽量切近事实的测算结果成为我们设立和发展统计学的一个重要目的。我们对采样统计的运用如此纯熟，以至于在当下这一技巧的运用反而成为了我们桎梏自身获得更准确、可靠的数据信息的思维定式。在大数据时代，依照“样本数=总体数”规则而建立的数据库能运用完整的数据信息更确切地描述事实。

其次，随着数据规模的扩大，大数据不再那么执着于个体数据的精确性。在传统信息时代，由于样本的数量远低于总量，其精确性将极大影响统计结论的准确性，因此每一个数据样本都是珍贵的，我们不得不用一整套的策略来减少误差。而大数据是透过海量数据所形成的趋势来推测未来，正因为在海量的数据面前所表现出来的整体趋势并不会因为个体的误差而发生方向性的改变，所以大数据对于数据信息的容错率得到了极大提升。

最后，数据分析注重“关联性”而不是“因果性”。在小数据时代，信息的匮乏使得我们习惯于用因果逻辑总结发展规律，以获得事物发展的线索并学会新的实践经验，而大数据的数据分析更加注重的是事物之间的关联性而非因果性。在大数据的逻辑中，事物发展并不预设前提或因果，而是依靠信息之间所表现出来的相关关系判断二者的前后联系。因此对于大数据来说，预测未来不再是基于经验性的因果推测，而是基于确实存在过，且被反复验证过的关联性。

二、大数据驱动人才甄选和评价模式变革

大数据技术是对传统数据处理模式的颠覆，技术上的革新带动了人们在数据认知、价值评价上的突破。大数据的思维逻辑启发了各个领域对于信息利用的再思考，在人才挖掘和人力资源领域，大数据亦为人才甄选和评价模式提供了驱动变革的新思路。

1.人才价值评估更富于理性

在大数据基于相关关系的分析逻辑下，人才评价所牵涉的内容将更加多元，与此同时其评判人才价值的依据也将随着数据的丰富而更趋于理性。人的基本属性是社会属性，因此人才价值亦是一种社会性价值，不仅包含有对于个人表现出的素质能力的肯定，同时也涵盖了对于其道德修养，乃至于在团队中所具备的合作能力等隐性因素的认同。

在传统人才评价机制之中，道德、团队合作能力等非显性影响因素因为难以被量化和定性，在人才甄选的过程中往往流于形式，但在大数据海量的数据支持下，灰色关联分析法(Grey Relational Analysis)、层次分析法(Analytic Hierarchy Process)等能够实现对指标或权重进行排序的数据处理方法，在处理相应问题时有优秀的表现。这里以层次分析法中的层次总排序为例，直观体现具备数据支撑的人才评价分析在评估非显性影响因素时的有效性。

图1　人才甄选因素分层结构图

如前文图1所示，为实现Z层目标，由上到下将人才评价要素(A层)与候选人员(B层)分层并依次排序，使B层每一个判断矩阵针对A层的相对权重形成总排序序列。目的在于计算低层次所有因素对于高层次因素相对重要性权值，通过因素间相对重要性的对比将评价标准转化为定量指标并形成判断矩阵，矩阵中的元素bij用1-9的心理感受标度进行标示，见下表1。

表1　心理感受标度表

由以上心理感受标度表现相对重要性权值矩阵所形成的A层因素与B层因素间的重要性权值关系可归纳为(表2)：

表2　A、B层总排序序列及权值关系表

2.对潜力的预估更具备操作性

大数据的数据挖掘功能部分填补了人才价值评估中关于潜力评估的空白。人才价值包括两个方面，即已有的素质能力和可待发掘的潜力，然而在当前的人才评价机制中，潜力的权重却被极大弱化。究其原因在于相对于“在工作中表现出的素质”而言，潜力是“尚未被观察和发挥的潜在能力”，使得其在人才评价中难以作为定性、量化的考察项目。人才的潜力判断上的难点在于，人才甄选过程中如何把握甄选对象未来能干什么？目前在潜力的判断上，我们或依靠具备公信力的机构去考察其学习能力，或依靠面试官丰富的个人经验推测其职业潜能。显然，当前的人才评价机制中确实缺少一种更为稳定和客观的潜力发掘机制。

然而，大数据的数据挖掘技术则使我们更有信心解决这一痛点。数据挖掘的对象是所有具备可能性的用途之和，这些似乎无限的潜在用途就像是选择，即数据的“潜在价值”[2]。如图2，数据挖掘不仅是对当下的现状的描述性分析，而且通过寻找保有潜力和发挥潜力之间的关联性，对面向未来的发展趋势做出合理的预测，甄选出更有可能发挥潜力的人才。在日趋精密的数字技术条件下，有了从四处搜集来的信息，我们不会再把人类的行为视为互不相关、随意偶然的独立事件；相反，它们应该是相互依存的奇妙大网的一部分，是相互串联的故事集中的一个片段[3]。数据挖掘技术的优势便在于从既存行为中归纳并推测潜在能力，实现以点破面的效果。在大数据时代，我们仍然认同人自身的主观能动力在潜能发挥上的巨大作用，但大数据的数据挖掘能力使人才甄选不必拘泥于当下的能力素质，能够做到主动地预测人才潜力，及早发掘人才价值。

图2　数据挖掘技术与人才价值关系示意图

总结以上两点，大数据带给人才甄选及评价模式的最大变革并不局限于在技巧和技术上的改良，而是提供了一种更宽广的思考逻辑和应用范式。在小数据时代，人才评价总是力求表达上的精准，试图减少非理性因素对人才甄选的影响，但和绝大多数社会科学领域内存在的问题一样，人才甄选方案的制定和实施总是难以脱离人为因素和主观判断的掣肘。同时，如何将人才价值进行量化、比较的方法也一直停留在学界的讨论阶段，尚未在实际的人才甄选中被加以运用。传统的人才评价和甄选机制处在由主观评价向客观判断过渡的阶段，其不稳定性催生了对于人才甄选模式变革的需求。大数据技术正是响应这一需求的技术革新，大数据格局下的人才甄选不再局限于当事者主动提供的内容，而是随着终端的增加和互联网外延的不断扩张，海量上传的信息能够越来越清晰地“拼凑”出个人的特征。受益于大数据，我们终于能够在人才价值的评估中脱离少数社会精英的经验判断，人才甄选也由此具备了用自然科学的视野观察自身问题并加以解决的能力。

三、面对变革现实的应对策略

信息技术的进步最终带给社会最大的馈赠并非更优秀的芯片或算法，而是更多的数据。摩尔定律指出，每块集成电路上可容纳的晶体管数目每隔18个月便会增加一倍，与此同时其性能亦将提升一倍，正是人类所能随时上传和存储的数据量的剧增才为大数据的相关概念涌现和技术开发创造了条件。在具备了基本硬件条件之后，人才甄选在面对大数据所带来的技术突破和思维冲击时，如何正确选择应对策略，使之成为“革新性”的正能量而不是“革命性”的破坏力量，才是其当下所应当考虑的现实问题。

1.理性运用大数据技术

人才甄选变革中应理性利用大数据技术，将传统测评与预测分析相结合。大数据的分析容器中存在的相关数据量越多，通过分析所获得的信息全貌也就越完整，其对于信息的深度挖掘技术已经让社会丧失了遗忘的能力，取而代之的是完善的记忆[4]。一方面，虽然借助数据库海量的信息来预测趋势的能力具备相当的可靠性，但一味夸大这一能力将使我们错误地视预测结果为既成的事实，从而赋予数据未曾具备的社会价值和指导意义。人才价值是一种社会性价值，人才甄选亦是一项“人”对“人”的复杂社会活动，正因为其受到多种主客观因素的制约和影响，这项活动总是充满诸多的不确定性。因过度依赖而导致的数据独裁否定了人的主观能动性以及主客观因素不断变化的事实，是对大数据技术的滥用。另一方面，在传统的人才甄选模式中，我们主要以两种标准为评价准绳：第一是客观标准，将受测者的测评结果或数字化、或结构化后与预设的标准进行纵向对比，以考察对方是否具备某项基本素质；第二是相对标准，即对多名受测者的能力水准进行不预设门槛和上限的横向比较进而择优选拔。两种评测标准客观上为甄选人才提供了普适的人才测评方法，但不可否认这两种人才评价标准存在着共同的缺陷，即试图在单次或少数几次的测试中完整体现个人价值，这既忽视了人的能动性对素质、能力发挥的影响，也无法体现出受测者在潜力挖掘程度上的差异。因此，极端地依赖或排斥均是不可行的，从完整的工作、生活、学习轨迹中获取受测者的能力素质和发展潜力的全景，结合其在传统测评中的表现，才能在人才甄选中做到客观能力与主观发挥、素质与潜力的综合考量。因此，在人才甄选中将大数据技术作为一种有力的支撑和参考，而不是既成的客观事实，是理性运用大数据的重要前提。

2.运用好大数据的“诊断-反馈”机制

发挥“数据废气”的积极作用，将使人才甄选的流程变得更加简洁有效，以机器学习、数据挖掘为基础的高级数据分析技术，将促进从数据到知识的转化、从知识到行动的跨越[5]。当我们在网络上进行搜索时，并不总是一蹴而就地直接获取所需要的知识，搜索、等待、点击、再搜索等一系列的操作之后我们才能最终达成目的，这一过程中用户在网络上产生的、直至获得搜索结果之前的操作轨迹虽没有实际价值，但又确实存在并被作为数据信息所记录，我们称之为“数据废气”。在人才评价、甄选模式之中，同样也有类似的冗余流程。人才评价、甄选模式在面对不同的被测试者类型以及客观因素变化时同样也需要对原有的机制、流程进行调整，因此诊断和反馈的功能必不可少，即通过对无效信息的筛查、过滤，诊断出这些信息大量产生和堆积的流程点并进行反馈，之后对评价、甄选模式进行调整以适应整个人才甄选模式的进步。

传统的“诊断-反馈”机制被证明是有效的，美中不足的是其本身的运作完全依附于人，因此发挥出的效果难以稳定，而大数据技术的介入将使得“诊断-反馈”机制成为自我学习和调整的良性循环。在大数据监控下的人才测试中，测试对象无意识中生成的无效信息反复出现以致在测试群体中呈现出一种稳定的趋向性或回避性特征时，大数据将根据分析的动态结果“学会”规避这些人才甄选模式中存在问题的流程点，调整人才甄选的流程以获得更好的测试效果，形成一个自我学习的良性循环。这一利用大数据的自我学习机制的技术已经在市场中出现，而人才甄选所要做的只是创新模式并吸收其核心的“诊断-反馈”机制。在过去的20多年中，微软为其Word软件开发了一套强大的拼写检查程序，通过不断地更新字典容量来检测和纠正拼写错误，但频繁地编译和增容数据库不但使得该程序在面对冷门词汇时运转时间增多，而且每年不得不花费数百万美元维护和扩充硬件，与此相对应的是更早意识到数据废气存在的谷歌公司，其利用巧妙的反馈循环将每天免费得到的30亿词汇输入记录进行异常值与大数的对比，以推测用户实际想输入的内容，实现键盘输入与实际文档表达间的交互与流程简化。过去人们总说人的行为是难以预测的，但我们根深蒂固的不可预测性不需要上升到社会层面，如果我们仔细地将偶然性和不可预测性区分开来，我们也许就能预测出社会结构的很多特征了[6]。大数据背景下人才甄选模式的改善可以不再拘泥于事后的反馈和人工的修正，实时并且覆盖整个流程的大数据控制将实现更客观、更准确的自我调整的良性循环。

3.培养专业的技术运用型人才

在人才甄选模式中引入大数据，需要培养一批专业的算法师和审计人才。在任何一个技术领域和新兴领域变得复杂和专业化时，都会催生出一批专业的技术人才和管理人才以适应这种由单纯使用向专业研究的过渡，规避这些专业领域成为不可观察、不可置疑、不可解释的黑盒子的风险。人才甄选对大数据技术的应用也同样需要遵循这一规律，因为大数据的思维逻辑不同于以往的传统逻辑，其对于数据的分析和结果的析出均是基于对相关关系的判断，而非一般的因果关系的推理。这造成的结果便是依赖数据挖掘功能所甄选出的人才在素质表现与人才需求之间欠缺逻辑上的因果关系，往往使得人才甄选的结果知“其然”而不知“其所以然”，纯粹依靠大数据进行人才甄选的判断将使得数据的选择凌驾于人本的判断，造成数据独裁。大数据的挑战和优势在于，它通常会将所有数据集中到一个地方，这意味着可能通过处理更多相关的数据得到更好地洞悉，当然这也意味着有更多的噪声——与结论不相关的数据以及甚至会导致错误结论的数据[7]。因此，专业的算法师和审计人才是必要的。一方面算法师需要负责挑选合理、具有强相关性的数据源以保证数据来源的质量，同样，在包括算法的选择和数学模型的构造、乃至于最后对于甄选结果的正确性验证上，都需要算法师们的存在；另一方面，审计员则作为评判甄选结果的合理性的专职人员，应以补正逻辑事实上的偏差为己任，避免数据信息的巧合造成的评价偏差，在甄选结果的合理性上把关，杜绝数据独裁的发生。

四、结束语

大数据的出现正是数据积累到一定程度呈现出的质量变化，以及由此发生的对于数据运用的理解的不同(包括对于全数据样本的推崇、对数据趋势的追求高于数据精确的要求、思考逻辑向相关性联系的转化)。大数据对于数据信息的运用是如此的不同，以至于影响到了各个领域的发展规划，它不但将自然科学的研究方法引入人力资源领域，从一个可以被准确剖析的研究角度重新思考人才甄选的优先度问题，而且凭借其数据量和分析手段的优势，提高了发掘人才潜力的可操作性。可以说，大数据思维逻辑的引入为人才甄选研究的发展开拓了新的空间和研究方向。

然而，正如马歇尔·麦克卢汉所说，“媒介是人的延伸”[8]，大数据技术作为一种工具理性被带到人才甄选的领域内，虽然它有着足够的推动传统甄选模式变革的能力，但我们需要的是进步性的革新而不是破坏性的颠覆。为此，应分别从避免出现数据主导思维的畸变、甄选模式变革中发挥反馈系统的自我调整机制、人才甄选中专业人才的培养三个方面理性看待大数据，尝试着从思想认识、流程变动以及甄选结果的把关上把握大数据技术作为工具理性的尺度和效能，是在大数据对人才甄选模式进行变革的背景下较为合理的控制和尝试。

[1]DONOVAN J. Big data in little New Zealand[EB/OL].(2012-08-27)[2015-04-12].http://itbrief.co.nz/story/big-data-in-little-new-zealand/.

[2]维克多·迈尔-舍恩伯格. 大数据时代[M].杭州:浙江人民出版社, 2013:135-140.

[3]姜奇平. 爆发：大数据时代预见未来的新思维[M].北京:中国人民大学出版社, 2012：6.

[4]苑雪. 大数据时代网络社会管理中的政府行为模式创新[J]. 广东行政学院学报, 2013, (4): 27-28.

[5]涂子沛. 大数据：正在到来的数据革命，以及它如何改变政府、商业和我们的生活[M].桂林:广西师范大学出版社, 2012：33.

[6]艾伯特-拉斯洛·巴拉巴西. 爆发：大数据时代预见未来的新思维[M].北京:中国人民大学出版社, 2012：292.

[7]大卫·芬雷布. 大数据云图：如何在大数据时代寻找下一个机遇[M].杭州:浙江人民出版社, 2014：159.

[8]马歇尔·麦克卢汉. 麦克卢汉如是说：理解我[M].北京：中国人民大学出版社,2006:43 .

(责任编辑谢媛媛)

Innovation of Talent Selection Mode in Big Data Era: Motivation and Strategy

WANG Hongyuan

(Personnel Department, Fujian Normal University, Fuzhou 350007, China)

As a new representative of technological era, big data leads to the fundamental changes in people's logic of thinking, thus promoting the reconsideration on the information utilization in all fields. Big data technology provides data advantages for talent selection in some aspects like quality evaluation, potential anticipation and so on. For making full use of these advantages, efforts should be made to rationally utilize the predictive functions and improve the machine learning and personnel training. All these can be helpful for the rational innovation of talent selection mode.

big data; talent selection; talent evaluation

2015-11-04

王洪元(1989-)，男，福建福州人，研究实习员，硕士。

C961

A

1008-3634(2016)04-0045-06