量化管理，得出洞见

文/于莉莉

互联网技术不断发展，人力资源管理与数据信息采集和可视化处理等环节紧密相连，获取数据、筛选数据、分析数据和处理数据是人力资源大数据管理革新的关键。基于各种先进的计算机算法、数据处理技术和存储技术，可对海量的数据信息数据进行采集整理、筛选和分析，这不仅有助于降低人力资源管理的工作难度，还可有效提高管理效率，达到量化管理的目的，为人才选拔和人才晋升提供数据参考和便利的渠道。

数据量化变革

大数据浪潮来袭，一些具有前瞻性管理理念的企业越来越倾向于采用大数据量化分析的方法进行管理实践，从而提升人力资源管理竞争优势。数据分析的关键是人力资源管理的量化思维，以价值和逻辑为导向，整理、分析并发掘数据中存在的关键信息，通过数据统计、内外部对比、动态分析等方式，加以分析、利用，这是人力资源管理专业价值的重要体现。具体来讲，人力资源量化变革主要体现在以下三个方面：

第一个方面是思维变革。对于海量数据信息，人力资源管理人员需要转变思维模式，通过不断学习武装自己，以拥有更加清晰的判断力和洞察力、更强的决策力，能从多样化和不断变化的数据信息中获取有用的信息。

第二个方面是工作的量化。早期的人力资源管理多以纸质版为主，以记录、存档为主，随着电子信息技术的发展，数据信息庞大而繁杂，借助计算机技术，可以快速有效地将各个有关联的数据联系起来，对各个数据信息进行量化处理和分类处理，实现降本增效。

第三是构建企业数据平台。在明确业务需求场景和用户需求后，通过大数据分析平台，获取有价值的信息，需要访问数据，明确基于现场业务需求的大数据平台具有基本功能，确定平台的流程，再进行处理和组建框架。对这些零散的数据进行有效的分析，得到有价值的信息，是企业构建数据平台的重要意义。

然而现阶段，在日常人力资源管理工作中，即便做了一些大数据的分析准备工作，也仍难以真正支持人才与业务决策。比如通过前期数据分析，企业知道员工敬业度存在问题，但我们需要了解采取什么行动来推动改善；尽管企业试图阻止90 后员工离职，但现阶段仍然很少有企业能阻止他们说走就走；企业想知道什么样的管理结构会为销售部门带来积极的结果；企业想提升90 后员工的积极性，但不确定是什么能够提升他们的积极性，也不确定未来领导者的驱动力是什么；我们甚至不确定奖励员工的方式是否符合他们的薪酬理念。

其实，这些困惑通常可以通过实施有效的数据量化分析来得出答案。针对不同的人力资源管理情境，首先我们需要识别出什么样的关键指标可以用于支持科学决策，哪些用于日常监测，哪些用于趋势预测。

举个例子：现在比较流行人力资源量化管理与数据分析的概念，有些管理者用EXCEL 软件做员工离职率分析，可是当应用到实践中时，并没有解决根本问题，只是看起来容易一些。人力资源量化分析不是一个工具能解决的，我们首先要做的是理解它的深层思维。以分析员工离职率为例，分析它的目的是找到离职原因及改进方法，管理者需要通过绩效评估、能力评估利用数据分析，识别人员层次，并采取措施，解决人员问题。

数据量化管理

网络技术的进步促使大量数据信息进入企业的数据库中，要从大量的数据信息中挖掘出准确的、有价值的信息还需要借助高新先进技术，对数据进行处理、判断，去伪存真，最终获取真正有价值的信息。人力资源管理人员想要从人才信息市场中快速匹配到企业所需要的人才，需要借助计算机技术对多样化的数据信息进行筛选、清洗，去除冗余错误的数据信息，留下真实的有价值的信息。此外，大量数据信息的分析、整理和归档也需要借助存储技术。

大数据时代愈演愈烈，多样化、多元化、多源性的数据信息齐聚各个网络虚拟平台。管理理念是构建人力资源管理体系的思维支撑，是搭建人力资源量化管理平台需要遵循的基本原则，在管理技术发展的同时需要不断完善管理理念。在大数据时代，传统的管理经验缺少“循数治理”的理念，在基于数据分析实现人力资源量化管理方面存在一定局限。

以A 公司为例，A 公司的主营业务是生产加工某仪器零部件，因为有部分流程需要手工操作，非常适合女性工作者，目前A 公司男性占比70%，女性占比30%；通过调查数据和企业的实践结果看，女性工作者的劳动效率平均比男性工作者高30%；而在A 公司最大的竞争对手B 公司中，女性劳动者占比是70%，且B公司的劳动效率高于A 公司。

基于这三条信息，A 公司开始考虑调整男女比例结构。那么，应该采取什么行动方案呢？许多人会说，裁掉部分男性员工，大批量招聘女性员工。这种行动方案显然太过简单，而且在短期内，会增加企业的招聘成本和离职成本，降低效率。无论是从成本角度、效率角度，还是社会形象的角度，对A 公司都是不利的。

那么解决办法是什么？A 公司可以针对员工流动率搞一个内部调查，做出性别结构调整计划，调查结果显示现在每年操作工的流动率是20%。假如每年流失的一线操作工全部用女性劳动者来补充，理论上要用两年的时间实现男女比3 ∶7。在方案实施的过程中，再持续调整和评估。

然而还有一些问题需要思考。比如，实现 3 ∶7 的男女比例就能实现效率最高吗？不一定。因为有可能有很多男性劳动者实际上从事着更适合女性劳动者的工作。同样地，有很多女性劳动者实际上从事着更适合男性劳动者的工作。只不过是男女比例的数字加总之后，恰好是3 ∶7。

所以从整体上来看，企业的男女比达到3 ∶7，表面上是达到了效率最高，但是细化地分析之后，很可能并不是这样。所以要真正找到问题，数据量化分析也应细化到相应的维度。

同样的道理，当企业面对如何调整年龄梯队、如何人岗匹配这些问题时，也可以用量化分析找到问题、形成方案、采取行动、持续评估。比如人力资源工作者在向领导汇报时，只汇报公司30岁以下的员工占比34%，40 岁以上50 岁以下的员工占比45%；研究生以上学历的人有23 人，本科生有104 人。此时领导会反问你，这些数字要表明什么，为什么要分析这些数据，这些数据背后的信息是什么，我们通过这些数据如何提升管理水平，这些问题都没有解决方案，那么这些数据就是无意义的。这就是人力资源部门无法跻身为核心部分的关键。大数据分析，不是简单地罗列数字信息，做出好看的图表或仪表盘，而是通过模块分析真正深入地分析问题和解决问题。

值得注意的是，量化不是要对所有的事项都进行分析，否则会走入另一个极端。量化之外需要考虑系统性，不是所有的事项都可以简单量化，也不是量化了就一定正确。例如，员工因为内部分歧来找领导投诉，这种情况就没法量化。再比如，企业开展敬业度调查，但如果是实名制，而且领导有指标，这样的量化就没有任何意义。所以，量化并不是管理的全部，量化只是一个管理的手段，我们最终还是从大数据中回归管理的本源。

在企业开始探索量化管理的时候，首先要做的就是列一张清单，画出主要变量的分布、重要变量间的关系等等。这样的清单本质上是基于你目前对企业的理解的预测。然后分析数据、画图、总结，做任何需要做的事情来看它是否和你的期望相符。如果有事物并不匹配，或者让你觉得“这很奇怪”的地方，那么这就是你要重点关注的领域。

大数据时代对人才资源量化管理提出了新要求，从技术、资源、理念和管理模式等多维角度出发，从流程、知识、绩效考核和人才梯度等维度搭建人才资源量化分析管理体系，是推进人才资源量化管理发展、提高管理效率的重要途径。但大数据时代仍然在不断发展，数据信息不断扩大，因此对于人才资源管理，需要不断促进数据处理、筛选技术的创新发展，不断更新人才资源管理体系。从数据回溯到企业中最根本的原因需要时间、精力和耐心。通常来说，大数据会更了解企业的细微之处，使管理的方向更有针对性，并且最终能够找到更为深入的洞见。