
用大数据管理企业,HR大数据思路与腾讯实践
HR管理经过几十年的发展,理论基础仍是工业时代的科学管理经验。近年来面对汹涌而来的移动互联网大潮以及层出不穷各种新的管理挑战,HR管理的理论和方法并没有出现相得益彰的创新内容。唯一引起了广泛关注的HR管理遇上大数据的话题,目前公开的研究也多聚焦在概念阶段,能够真正应用到企业HR管理实践的案例却不多见。本文旨在结合腾讯在HR大数据领域的探索历程,来说说大数据将如何助力HR管理升级,迎接这个崭新的时代浪潮!
I时代,传统的HR将被颠覆,你造吗?
2012年12月12日,CCTV中国经济年度人物评选颁奖现场,万达集团董事长王健林同阿里巴巴董事局主席马云给大家留下了1亿元的赌约。
一年以后同样的颁奖现场,格力电器董事长董明珠和小米科技董事长兼首席执行官雷军在另一个赌约上把赌注提升到了10亿。不同的赌约,相同的内涵——移动互联网将挑战甚至颠覆传统行业。
又一年之后的胡润富豪榜,移动互联网挤掉房地产成为前10大富豪中人数最多的行业。
前段时间,又流行起了一个段子,描述当前苦逼潮人的生活,“每天乘地铁,用小米手机,穿凡客T恤,上3W咖啡听创业讲座,在家看耶鲁大学公开课,知乎果壳关注无数,36氪每日必读,马云的创业史了如指掌,张小龙的贪嗔痴如数家珍。肉夹馍只吃西少爷,约朋友得去雕爷牛腩,喜欢Kindle胜过iPad,手机里没游戏全是GTD的APP。”
实际上,在我看来,这些无一不是因为我们正在迎来人类发展史上一个在量级上可以同工业时代相媲美,但在理念上却与工业时代完全相悖的新时代,我把这个时代简称叫I时代。
起名叫I时代的缘由,是因为我认为这个新时代是一个由internet(互联网)、individualism(个体主义)、innovation(颠覆式创新)聚合而成的时代。这个时代的特征完全颠覆传统经济中的大鱼吃小鱼和快鱼吃慢鱼理论,抱着传统管理思想的企业和管理者将不断面临着生死考验。
这已经是个革命者层出不穷的时代,很多企业通过颠覆式思维,利用先进的技术和跨界的创新,使事情变得更简单,从而完成弯道超越老牌大企业,实现令人难以置信的突破式增长。这也是个更加注重情感链接和用户感观的时代,了解人性、捕获人心成了商业的制胜法宝,也成为管理上的核心要素。
今天的我们已经处在这样一个经济、社会与技术的大变革之中,面临这场变革大潮,HR将会遇到什么样的挑战?我个人的总结是:挑战很多,有两点最关键。
挑战一:I时代下HR管理的理论基础——管理科学将被重新定义
在这点上我非常认同中国工程院工程管理学部副主任郭重庆院士的观点:“传统的管理将被颠覆,……从管理学界来看,是历史难得的大机遇,大数据是最接近映射真实世界的手段,云计算是社会化配置的计算服务工具,以及无所不在的互联网,开启了管理科学研究的新范式,是管理科学发展史上最接近现代科学的一次机遇,……”在传统的管理被颠覆之际,HR管理是不可能独善其身的。
挑战二:从工业时代过渡到I时代,HR管理研究的方向发生了变化。
通过对比可以发现工业时代和移动互联网时代在组织和人的研究方向上不仅是不同,甚至是完全相悖。
在迎接移动互联网的过程中,HR管理的变革在所难免,那么,我们又该如何应对?
HR,老板喊你转型升级了!
有一点可以确定的是:传统的HR管理已经无法满足变革时代的需求。新时代的HR管理需要转型升级,而转型升级的重点,我建议从三个层面着手:
一是HR组织模式的升级:需要改革传统的按照“选育用留”这种功能模块设置的HR组织模式,打造由COE(Centers of Experts)、BP(Business Partner)、SDC(Shared Delivery Center)共同组成的三支柱模式,提升HR对战略的驱动力,对业务的支撑力,以及对员工的影响力,让HR真正成为企业的变革推动者、领导者、业务伙伴和HR业务专家。
二是HR信息化的升级:HR信息化的目标将不再仅仅是信息化办公或者提升工作效率,而是通过移动端、云、BI等新技术的使用,打造成能够有效连接COE、BP、SDC以及HR所服务的管理者和员工的信息高速公路,促成HR管理的颠覆性创新。
三是HR数据能力的升级,这也是本文我的阐述重点。
当我们所处的环境都被数据化以后,管理决策所依赖的将更多的是数据而不是经验。这也要求HR的数据能力不再是传统的数据统计,而是包括了数据的分析、挖掘、建模、训练、验证、管理改进等一系列的完整活动。类似于谷歌的People Analytics团队、腾讯的活力实验室、人平数据哥这类研究HR的大数据应用的团队将会出现在越来越多企业的HR队伍中,并发挥越来越重要的作用。
如果将转型升级后的HR管理体系想象成一个智能机器,那么组织模式就是机体,信息化是连接机体各个部位的神经网络,大数据就是“大脑”,这三者相辅相成,缺一不可。
那么问题来了,HR大数据挖掘技术哪家强?
搜索一下“HR+大数据”,可以轻松得到几百万条记录,可见大数据在HR领域并不是一个陌生的话题,遗憾的是,热度有余而深度不足。北大光华的穆胜博士在其写的《大数据为何走不进人力资源管理?》一文中提出“HR可能误会了大数据”,这一点我也是比较认同的。HR的大数据需要有自己的玩法,其不同于传统的HR数据分析的功能可以概括为三个方面:
一是养成平台的能力:大数据的特征概括为4V,Volume(大量)、Velocity(高速)、Variety(多样性)、veracity(真实性)。这也决定HR的大数据绝不仅仅是把一些数据拿过来分析,而是一个涵盖数据的产生、存储、抓取、清理、分析、挖掘、建模、训练、验证、呈现的全过程的综合平台。
二是要有连接的效能:与传统的数据分析只需要得出一个数据性的管理结论不同,HR的大数据分析包括了提出概念、分析框架、数据准备、数据清理、数据挖掘、模型创建、训练验证以及管理行动,其过程充分卷入了HR三支柱的COE、BP和SDC,乃至于管理者和员工,其目标是推动HR管理的持续改善。
三是能够牵引HR的方向:传统的数据分析多是事后的总结,是一种滞后的管理。而HR的大数据分析则要求能够帮助HR进行预测,实现前置的管理。
例如传统的人力资源通过绩效管理来识别高绩效的员工并帮助员工持续提升绩效,而在大数据模式下的思路则是通过数据的挖掘找到高绩效员工的特征要素,让企业的每一个员工都能够持续产生高绩效。
由于多数企业在HR的数据领域缺乏规划,要实现上述突破对HR部门而言将是一个漫长而艰难的过程。
HR大数据领域腾讯的实践与探索
腾讯在HR领域的大数据实践最早可以追溯到2012年,通过People Soft搭建起了HR的统一结果库,并开展了第一期的数据清理工作。
而完整意义上的HR大数据体系探索则到了2014年初,在SDC内部成立了HR大数据团队。这里我将从平台建设、连接效能和方向牵引这三个方面简单介绍我们在HR大数据领域的探索经验,希望能够给同样在研究HR的大数据的HR同行们带来思想碰撞的火花。
一、腾讯的HR大数据平台由应用层、功能层以及团队三个部分组成
1. 应用层主要解决HR大数据如何支撑HR业务的问题,阐述的是大数据的应用场景,以及需求如何被响应和落地(如下图所示)。
2. 功能层主要解决HR大数据在后台如何运作的问题,阐述的是如何去科学的管理和使用数据,保障数据的质量和价值,包括元数据管理、数据质量管理和逻辑建模规划三大核心模块。
3. 从应用层和功能层我们可以看到HR的大数据涉及了HR专业以外的IT系统、数据库、数据分析、产品设计等多个专业,这也意味着仅凭专业的HR是无法搭建起HR的大数据平台的。
以腾讯SDC的大数据团队为例,其成员由SSC、E-HR、区域中心的员工共同组成,是一个拥有人力资源、HR信息化、数据库、HR咨询复合工作经验和背景的团队。
二、在连接效能上我以我们正在开展的某项目举例
该项目由COE最先提出概念,先后卷入SDC和BP,执行迅速成立了项目联合团队。
其中COE团队负责政策、资源的协调以及专业方向的把控,BP团队负责模型验证以及落地研究,SDC团队则负责数据清理、质量建设、特征挖掘以及模型的搭建和训练。
在这个项目中,不仅COE、BP和SDC的人被连接起来,同时连接的还有对应的“事”和“信息”。
三、在牵引HR的方向上我以腾讯社招候选人稳定性分析为例
传统的HR数据分析会围绕离职率展开分析,而在HR的大数据分析中则是将腾讯历史上所有的员工按照稳定程度分成多个样本,通过数据的挖掘找到与稳定性相关的典型特征,建立起能够识别候选人稳定性的数学模型。
其目标之一是希望通过应聘者的简历自动对其稳定性给出评估建议,也为后续招聘以及保留环节提供参考。
在此,还有几点建议给到准备进行HR大数据探索的同行们:
1. 从现在开始,夯实数据基础。
以腾讯的某个HR大数据项目为例,一次调用的数据就超过了600万条,400多个字段,一般的PC机以及excel、spss等工具都无法支撑此种量级的数据挖掘,但是其量级又达不到使用TDW的程度,加上数据敏感性等诸多因素,最终发现需要搭建用于HR大数据分析的服务器。
2. 数据质量决定数据的价值。
涂子沛在《大数据》一书中用了整整一个章节来阐述数据质量,足见数据质量的重要性。在此我想用一句话来补充说明:在一堆错误的数据中,你能指望得出正确的分析结果吗?
3. 是挖掘数据而不是统计数据。
仅从统计学的方法上看就可以看到差别,传统的HR数据分析用的最多的统计方法就是描述统计、箱型图等。
但是到了HR的大数据分析,相关性分析、方差分析、回归分析、聚类分析、决策树模型等用的会更多。其原因就像维克托.迈尔-舍恩伯格在其《大数据时代》中强调的,大数据研究的“不是因果关系,而是相关关系。”
对于企业的HR而言,当HR遇上大数据,我们更应该抓住这个机会,在大数据平台能力,连接的效能,牵引HR方向这三方面寻求突破,进行创新性的研究和探索,提升HR之于企业的价值和影响力。
最后,借用狄更斯的名言“It was the best of times, it was the worst of times”,I时代带给HR的不仅仅有挑战,同样也有机会。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14CDA 数据分析师与业务数据分析步骤 在当今数据驱动的商业世界中,数据分析已成为企业决策和发展的核心驱动力。CDA 数据分析师作 ...
2025-08-14前台流量与后台流量:数据链路中的双重镜像 在商业数据分析体系中,流量数据是洞察用户行为与系统效能的核心依据。前台流量与 ...
2025-08-13商业数据分析体系构建与 CDA 数据分析师的协同赋能 在企业数字化转型的浪潮中,商业数据分析已从 “可选工具” 升级为 “核 ...
2025-08-13解析 CDA 数据分析师:数据时代的价值挖掘者 在数字经济高速发展的今天,数据已成为企业核心资产,而将数据转化为商业价值的 ...
2025-08-13解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-08-12MySQL 统计连续每天数据:从业务需求到技术实现 在数据分析场景中,连续日期的数据统计是衡量业务连续性的重要手段 —— 无论是 ...
2025-08-12PyTorch 中 Shuffle 机制:数据打乱的艺术与实践 在深度学习模型训练过程中,数据的呈现顺序往往对模型性能有着微妙却关键的影响 ...
2025-08-12Pandas 多列条件筛选:从基础语法到实战应用 在数据分析工作中,基于多列条件筛选数据是高频需求。无论是提取满足特定业务规则的 ...
2025-08-12人工智能重塑 CDA 数据分析领域:从工具革新到能力重构 在数字经济浪潮与人工智能技术共振的 2025 年,数据分析行业正经历着前所 ...
2025-08-12游戏流水衰退率:计算方法与实践意义 在游戏行业中,流水(即游戏收入)是衡量一款游戏商业表现的核心指标之一。而游戏流水衰退 ...
2025-08-12CDA 一级:数据分析入门的基石 在当今数据驱动的时代,数据分析能力已成为职场中的一项重要技能。CDA(Certified Data Anal ...
2025-08-12破解游戏用户流失困局:从数据洞察到留存策略 在游戏行业竞争白热化的当下,用户流失率已成为衡量产品健康度的核心指标。一款游 ...
2025-08-11数据时代的黄金入场券:CDA 认证解锁职业新蓝海 一、万亿级市场需求下的数据分析人才缺口 在数字化转型浪潮中,数据已成为企业核 ...
2025-08-11DBeaver 实战:实现两个库表结构同步的高效路径 在数据库管理与开发工作中,保持不同环境(如开发库与生产库、主库与从库)的表 ...
2025-08-08t 检验与卡方检验:数据分析中的两大统计利器 在数据分析领域,统计检验是验证假设、挖掘数据规律的重要手段。其中,t 检验和卡 ...
2025-08-08