文丨李斌（蓋雅學院執行院長、蓋雅工場HRD）
HR以及HR的擁躉者不得不面對越來越多的批評：囿于執行和事務層面、不能貼近業務、缺乏有效的產出等。拉姆·查蘭在《分拆人力資源部》一文中，曾經這樣的尖銳地批評：很少有首席人力資源官 “能像首席財務官那樣，成為很好的董事會成員和值得信賴的合伙人，并憑借他們的技能，將員工和業務數據聯系起來，從而找出企業的優勢和劣勢，令員工與其職位相匹配，并為企業戰略提供人才方面的建議。”
警言在耳，但似乎又沒有哪個部門能像HR部門這樣不停的自我探索和革命：囿于執行和事務？戰略HR應運而生；不能貼近業務？三支柱和HRBP星火燎原。
現在，HR又在利用新的技術來自我革新，這一次他們甚至跑到了財務部門的前面。
HR超越財務，成為數據分析領導部門
近期，Oracle發布了一篇題為《HR Moves Boldly Into Advanced Analytics With Collaboration From Finance》的報告（關注蓋雅學院公眾號，回復“數據分析”，獲得完整報告下載鏈接）。
他們在全球范圍內調查了23個國家的1510份樣本，最后發現在數據分析的高級應用上，HR已經超越了傳統上被認為與數字關系更密切的財務部門。這在過去是不敢想象的，比如在拉姆·查蘭那里，CFO對于業務數據的使用就是CHO的榜樣。
更多的研究結論還包括：
51% 的HR受訪者表示, 他們可以操作預測性（predictive）或指導性（prescriptive）分析，而只有37% 的財務受訪者可以進行這些更高級的分析形式。
89% 的受訪者同意或非常同意“我們公司的人力資源部門非常擅長使用數據來確定未來的勞動力計劃"，只有1% 的人不同意。
94% 的受訪者同意“我們能夠在較高的可信度下預測關鍵崗位的離職可能性”。
當詢問 "您使用了以下哪幾種分析類型？”時，31%的受訪者選擇了"人工智能" ，占比最高。
當詢問受訪者如何使用 AI 時, 最常見的回答包括“通過消耗模型（attrition modeling）識別有風險的人才”、“預測新入職員工中的有潛力者“ 和 “通過簡歷分析尋找最適合的候選人”。
82%的受訪者同意或非常同意“整合HR和財務數據是我們公司當前的重要任務”，只有5%反對。
通過這份報告，我們發現HR正在改變傳統的“執行命令”角色，并利用先進的智能分析技術成為公司重大事項的決策者。
那這一切又是從何開始的呢？
Google公司的人力運營部
Google顯然是早期推動人力資源分析的代表，這當然又與它的人力資源最高管理者拉茲洛·博克（Laszlo Bock）有關系。
時鐘撥回到2006年，當時年僅34歲的博克接到Google的電話。這位在麥肯錫呆過四年，當時正在GE下面的一家公司做薪酬主管的羅馬尼亞人最終加入Google，擔任人力資源部的負責人。
就在那一年，博克做了一件被后人津津樂道的事，他把Google的人力資源部門改名為“人力運營部”（People Operations）。
相比于傳統的HR，“運營”顯然帶有更多的含義。博克后來在他的暢銷書《重新定義團隊》中提到改名的真正目的：“在谷歌，我們尋求顛覆所有的傳統思維和語言。人們總會把HR視作一種事務性和官僚性的工作職能部門。與此相反，在谷歌這種工程師文化主導的公司，工程師們會把'運營’視作一個值得信賴的職能，因為它意味著能夠真正地去解決問題。”
為了解決問題，在博克的領導下，Google公司的POPS（對于人力運營部的簡稱）儼然成為了一間行為實驗室。這個部門的核心是一套復雜的員工數據追蹤系統，它旨在獲得關于Google員工生活和工作的各種經驗數據，不僅僅是薪酬的帶寬、福利的多少，還包括餐廳桌椅的理想尺寸和形狀，甚至排隊隊伍的長度等。
為了幫助員工在餐廳排隊時最大限度地利用排隊時間與周圍人交流，Google人力運營部門專門分析了員工排隊候餐的數據，得出最理想的排隊時間，并重新設計了員工餐廳布局。
為了尋找搭建完美團隊的萬能公式，Google專門在內部啟動了“亞里士多德計劃”（Project Aristole）。通過數據分析高績效團隊的特征，最終發現對于高績效團隊來說最重要的因素是團隊的心理安全感。（蓋雅學院歷史文章：
《如何打造高效能團隊，模型篇GRPI》，有關于這個計劃的詳細介紹）
Google借助自己開發的一個數學算法積極并成功地預測到哪些員工很有可能會離職。這項舉措允許管理者在為時過晚之前采取行動，并為員工留任提供個性化解決方案的空間。
當然這樣的案例還有很多。在招募、人才培養，以及薪酬福利、行政管理這些傳統的事務性、職能性的領域，Google的人力運營部門都通過嚴謹的數據分析和算法工具進行創新。
這也為數據分析在HR領域的應用開創了先河。
HR分析到底要做什么？
所謂數據分析，簡單來說就是：通過一定的工具從數據或數據集中提取到有用的結論和知識。
人力資源部門接觸到的數據非常多：從面試到入職，從培訓到發展，從薪酬到福利，凡是個人、團隊和組織的任何互動、溝通都會留下一定的數據。只要我們有合適的工具追蹤數據，再從中去挖掘，就一定能夠得到有價值的信息。
美國歷史上第一位首席數據科學家DJ Patil博士把商業性的數據分析分成四個層次，對應的人力資源的分析也可以有四個層次。
第一個層次，描述性分析
描述性分析（（Descriptive Analysis））是最簡單的一種分析層次，是指對狀態的一種描述，告訴我們“是什么”。
比如新進員工離職率是多少、Top Lier的員工薪酬占比是多少、等類似問題。HR可以通過固定報表和不定期分析的方式，為管理者呈現相應的報告。
第二個層次，診斷性分析
如果你已經知道事實如何，診斷性分析（
Diagnostic Analysis）要做的是追問原因是什么，告訴我們“為什么會發生”。
大部分的老板不僅關心現狀是什么，更關心為什么會發生。所以你不僅要告訴老板我離職率很高，還要告訴他出現這樣情況的原因。
追問原因，尋找對策，這也構成了HR重要的工作內容。但不少時候，我們大部分人僅憑自己的感性認知或者通過樣本的訪談進行診斷，而這往往是不準確的。
現在流行的OD中最核心的其實是組織診斷，通過建構模型，收集數據，來對組織的優勢和劣視進行診斷。
第三個層次，預測性分析
預測性分析（Predictive Analysis）很好理解。對于趨勢的預測，不僅僅看現狀，還要看“接下來會發生什么”。
通過數據的建模和機器學習，組織可以利用歷史數據對未來節點下的各種狀態進行預測。這不僅僅可以預測整體，更多的復雜數據甚至可以支撐對個人行為的預測。前面談到的Google對于員工個人離職或者關鍵崗位的離職預測，就是一種典型的預測分析。
第四個層次，指導性分析
指導性分析（Prescriptive Analysis），也翻譯成規范性分析、處方式分析。如果說前面的分析更重要的是告訴你信息，方便你做決策，指導性分析則能直接給你“開處方”，告訴你“應該怎么做”。
常見的指導性分析比如仿真技術，優化技術。比如所有的企業老板都希望降低成本，提高利潤率，那在這種限制性條件下，企業如何達成上述目標就是一個優化問題。當然這個手段會有很多。
除了以上四種分析之外，當前的AI的發展讓另外一種所謂的認知分析（cogitative analysis）也開始變得熱門起來，認知分析旨在能過機器模仿人腦來操作一些任務，AI、算法等等可以歸入到這個分析層次了。當然這個更復雜。
數據時代，如何保衛自己不被替代？
毫無疑問，我們已經進入了數據時代。我們整天跟各種系統打交道，這背后產生的都是巨量級的數據。如何適應這個時代，或者在數據時代如何保衛自己顯得尤為重要。
我這里講的保衛是職業的安全系數，一方面是個人的職業安全，如何不被淘汰；另外也是整體的職業安全，如何不被替代。我想每一個HR應該都會關心這樣的問題。
有本書《The Power of People》，講的是成功的企業是如何利用勞動力分析的技術來提升業績產出的。這本書里把企業的員工分為三類：
Analytically Savvy，接受過嚴格的數據分析技術培訓，熟練地分析數據，并且能夠將數據轉化為事實。
Analytically Willing ，對于數據分析持開放思維，雖然缺乏系統的訓練，但是愿意去學習。
Analytically Resistant，對于數據分析的觀念持懷疑和敵視的態度 ，更加相信直覺。
我們當然不希望做最后一種人，在一個數據堪比石油的年代，我們肯定希望改變。
這種改變是兩方面的：
一是認知上。除了開放思維之外，我們起碼要有關于數據分析的商業和業務認知。
Linkedin的一份報告里強調，越來越多的企業管理者認識到HR分析的重要性，全球的認可度是71%，而在中國是81%。所以不變革不行，執于窠臼的下場，可能就是被淘汰。
這種思維還包括對云產品的接納，對于新技術的接納。在所有的企業職能中，HR部門更多的產品運行在云中，而整合分析的云產品也越來越多。所以我們要改變過去只看職能的觀念，把眼光放在更加長遠的價值選擇上。
二是實踐上。也許我們做不了高難度的指導分析、預測分析，但我們至少可以嘗試去做描述分析、診斷分析。
也許我們被算法、模型、人工智能這些詞語迷糊了雙眼，實際上大部分的數據分析并沒有那么復雜，只要你愿意去學，還是可以學會。只是在于你肯不肯去挑戰你的舒適區了，畢竟很多人都不太愛數學。但學習好了數據分析，會給你的職業加上一把安全鎖。
