京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
CDA数据分析师 出品 作者:李诗怡 1. 销售漏斗阶段判断 题目:销售漏斗模型中,通过广告、社交媒体等方式触达品牌信息(如浏览品 ...
2026-09-07在Python数据分析中,Pandas库的DataFrame是最核心、最常用的结构化数据表对象,类似于Excel的二维表格,具备规整的行列结构、字 ...
2026-09-07在数据分析、经营复盘、业绩预测与经济统计工作中,平均增速(平均增长率)是衡量数据长期变化趋势、业务发展快慢的核心指标。不 ...
2026-09-07 很多数据分析师精通Excel单元格操作,但当被问到“表结构数据的基本处理单位是什么”“字段和记录的本质区别”“为什么表结 ...
2026-09-07随着大数据技术的快速发展,商业竞争逐步从传统的经验式经营转变为数据驱动的精细化运营。海量的用户行为数据、交易数据、运营数 ...
2026-09-04CDA数据分析师 出品 作者:李诗怡 1. 波士顿矩阵(BCG Matrix) 定义: BCG于1970年提出的业务组合分析工具,以"市场增长率"(纵 ...
2026-09-04 数据分析师八成以上的时间在和数据表格打交道,但许多人拿到Excel后习惯性地先算、先分析,结果回头发现漏了一列关键数据, ...
2026-09-04数据透视表是Excel与Power BI中最核心的数据分析工具,具备快速汇总、维度拆分、动态筛选的能力,可高效完成数据归类与统计展示 ...
2026-09-03在Power BI数据分析可视化场景中,堆积柱状图+折线图是最常用的复合图表组合。堆积柱状图适合展示各细分维度当期数值、结构占比 ...
2026-09-03 很多数据分析师每天与Excel打交道,但当被问到“表格结构数据的基本处理单位是什么”“数据类型误判会引发哪些分析错误”“ ...
2026-09-03CDA数据分析师 出品 作者:李诗怡 一、8个核心数据清洗函数 1. TRIM:一键清除多余空格(最常用) 作用:仅保留文本中"单词/字 ...
2026-09-02数据分析的核心并非单纯操作工具、整理报表或绘制图表,而是依靠科学的思维逻辑挖掘数据价值、解释业务现象、指导经营决策。在完 ...
2026-09-02在社会经济、产业研究、区域治理与大数据实证分析中,面板数据是最具研究价值的数据类型。面板数据同时包含截面维度与时间维度信 ...
2026-09-02 很多数据分析师能熟练计算均值、标准差,但当被问到“如何用一张图让业务方3秒内看懂核心结论”“面对不同数据类型该怎么选 ...
2026-09-02在数据驱动决策的体系中,数据分析按照分析目的可分为描述性分析、诊断性分析、预测性分析与指导性分析四大类型。其中,诊断性分 ...
2026-09-01网络请求是Python爬虫开发、接口测试、数据拉取的核心基础功能,Python生态中主要依靠 urllib 和 requests 两大库实现HTTP请求操 ...
2026-09-01 很多数据分析师面对业务问题时,常常感到“知道要分析,却不知道用什么方法”。其实,数据分析并非无章可循——从三大基础范 ...
2026-09-01在数据库设计与业务数据维护中,自增ID是数据表最常用的主键字段,用于唯一标识每一条业务数据,正常状态下ID应保持连续递增。但 ...
2026-08-31在数理统计、数据分析、经济测算与日常量化评估中,平均值是刻画数据集中趋势、反映整体水平的基础核心指标。在实际应用中,最常 ...
2026-08-31在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-08-31