人力資源管理數智化——追求最優方案

肖櫻丹

隨著信息技術的快速發展，各行各業都在不斷探索以數據驅動業務和決策的管理方式，人力資源管理領域中的數智化概念也應運而生。數智化可幫助人力資源從業者從“后知后覺”轉變為“預測先見”，為企業開展人才選、育、用、留、汰提供可測量的決策依據。人力資源管理數智化一改以往以現有數據、經驗和直覺做決策的方式，真正用技術算法的數智化為未來做決策。

人力資源數智化的基礎是人力資源大數據

提及數智化就不得不提到大數據，我們先來幫人力資源大數據與人力資源數智化做個區分。人力資源大數據是指在人力資源管理中使用大數據技術，從人力資源相關數據中得出有效信息、挖掘價值，實現精細化管理，提高管理質量和效率。而人力資源數智化是指將人力資源數據智能化、自動化、預測化，通過算法或模型分析找出隱含的問題和規律，為決策提供科學依據，提高人力資源管理的針對性和決策能力。根據以上對兩個概念的解析，我們在表1中列出二者的主要不同。

人力資源大數據分為三個層級：第一層是描述性數據，如歷史的、部門性的活動數據，主要是對組織內部已經發生和正在發生的事情進行描述；第二層是預測性數據，可轉換成有價值、可實操的信息數據；第三層是變化性數據，也稱為最優化數據，即利用預測性數據得出建設性的決策信息。而人力資源數智化的發展正是源于預測性數據與變化性數據。預測性數據可以幫助預測性分析，變化性數據可以進行變化性分析，而變化性分析則“超越”預測性分析，強調決策選擇和勞動力優化，常被用來分析更復雜的數據，進而預測結果，提供決策選擇，并展示可能帶來的影響。

人力資源數智化的應用

人力資源數智化是一個全新的領域，與傳統的人力資源管理模式有很大不同。傳統模式下，人力資源管理主要基于經驗和直覺；而數智化模式下，人力資源管理則基于數據和分析結果。要了解人力資源數智化如何幫助人力資源管理，能解決哪些棘手問題，我們首先要分析企業人力資源管理需要解決的問題。

●用工計劃管理

在用工計劃方面，一些企業存在“營養不良”的問題，表現為因用工編制的限制，部門勞動力不足。我們發現導致以上問題的原因有三點：其一，定編分解依據不足，人力資源投放效率受影響；其二，增員計劃依據單一，戰略、業務與增員計劃結合不足；其三，減員計劃受限于數據統計能力，預測精度欠缺。以上三點在部分大中型企業里常態化存在，而解決相關問題的抓手便是“人崗匹配”。人力資源數智化可通過數據與算法技術建立模型，然后通過變化性數據指導人崗匹配。在配置管理上，人力資源數智化可解決招聘工作未結合用工計劃及人才畫像進行精準錄用、人員配置沒有適合的人崗匹配評價工具可用等問題。

●人才培養與發展

在人才發展模塊中，量化人才評估、開展針對性的有效培訓，是人力資源管理要重點解決的問題。一些企業雖然圍繞業務需求開展了知識、技能、綜合素質等方面的培訓，但沒有考慮崗位業務與人員能力的匹配，培訓需求主要來源于技術技能考試、上崗考核、綜合素養課程等，忽略了員工個體差異，導致培訓針對性不足。同時，受限于分析技術能力，培訓工作未能深度挖掘員工的潛在偏好和個體能力缺陷，無法實現課程的個性化設置和匹配。而通過數智化的算法與模型，企業可以找出人崗位匹配中的錯位情況，進而鎖定培訓方向，制訂人才培養計劃。

●薪酬績效的激勵管理

在績效管理模塊中，部分企業始終在探索員工工作業績量化評估，以及將業績評估結果與薪酬掛鉤的最優方案，但相關方案的制定需要有一定的數據積累來支撐。同時，很多企業想解決的重點問題是如何動態評估績效管理制度或激勵制度對企業業績的推動作用，實現薪酬激勵效用最大化的管理目標。目前，這塊管理工作的數智化多以工作流程切入，將工作動作與工作效能進行強關聯，如“滴滴”“美團”等平臺通過變化性數據積累，不斷優化與調整員工接單與服務的時間和效率，并將接單和服務情況與薪酬激勵關聯在一起，以達到薪酬激勵效用不斷提升的管理目標。

人力資源數智化的實現路徑

人力資源數智化的實現需要通過三個階段推動實施。

●存量數據挖掘階段

該階段為第一階段，主要通過建立存量數據的概要數據層，進行基礎建模；通過綜合分析和動態分析，實現對數據、模型的綜合化、動態化管理。一般情況下，大中型企業在運營過程中會積累大量數據，包括業務方面、日常運營方面的信息，以及人事基礎信息和評價評級信息。所以，在此階段，我們需要對這些存量數據進行盤點，挖掘出這些數據間的基本關系，再結合數據分析技術，通過算法解決人力資源日常管理中的問題和痛點。如運用綜合分析法整合多個單一指標維度，通過構建復合指數實現對管理現狀的直觀監測；運用動態分析法將靜態數據基于時間序列進行動態聯系，以實現對數據的動態監測，為管理智能化預測提供技術鋪墊。在該階段，根據企業數據種類與形態的不同，可設計實現的模型與應用功能參見表2。

●亞數據層挖掘階段

該階段為第二階段，主要通過整合增量數據和存量數據，提高基礎模型的精準度；通過對數據、模型進行聚類、關聯、相關性等分析，實現多維度的人力資源分析。經過上一階段，我們通過系統已經完成了多個復核指數的擬合，同時也建立了一些可用于各類管理決策的數據模型；在此基礎上，為引入復核指數，我們就可以在這一階段構建適用于智能化管理的亞數據層。為什么要進行亞數據層的構建呢？大中型企業在日常運營中生成的基礎數據量往往非常龐大，而亞數據層中的復核指數其實就是經過擬合處理的指數，可對評價模型所需要的基礎數據信息進行擬合，即用一個指數代替幾個指數的信息，企業只需記錄這個復核指數的信息，從而為數據庫減負，大大提高運算效率。該階段功能除了建立亞數據層，還包括進一步完善原有應用模型，提高原有分析應用模型的全面性和精確性，以及實現模型新增數據基礎磨合，新建應用模型。第二階段可設計實現的模型與應用功能參見表3。

●數智化管理階段

該階段為第三階段，主要通過整合結構化數據和非結構化數據，全面優化升級基礎模型，實現人力資源智能化分析。在這個階段，數據量和數據處理方法會全面擴充，除了收集各類結構化數據，還包括圖片、音頻、視頻等非結構化數據；可通過整合結構化數據和非結構化數據，引入新型匹配算法，進一步優化前兩個階段所建立的模型，實現人崗動態匹配、培養全景實施、激勵智能推選、資源量化投入、人才流失預警的人力資源智能化管理，具體功能參見表4。

人力資源數智化未來的思考

之前，一篇題為《外賣騎手，困在系統里》的文章曾刷屏網絡。文章指出，在外賣平臺系統的算法與數據驅動下，外賣騎手必須爭分奪秒，為此個別騎手甚至違反交規，導致該職業成為高危職業。由于系統算法的不斷精確，相同距離的配送時間不斷被壓縮，如在美團外賣平臺上，相同距離的訂單，配送時間從幾年前的50分鐘變成現在的35分鐘。

這不禁讓我想到企業的目標管理。有時候，部分員工就算能夠完成目標也會選擇“留一點不完成”。為什么呢？因為他知道，一旦今年完成了目標，那么明年的目標一定會增長，但如果不完成的話，明年目標可能會保持今年的水平，或僅小幅度增長。

企業中的這個現象和外賣系統基于算法不斷優化配送時間有異曲同工之處。外賣系統通過算法來測算騎手用多少時間可以完成多少公里數的配送，完不成就扣錢，完成率達97%便開始加錢，如此一邊扣錢一邊獎勵，迫使騎手不斷提高能效。需要注意的是，系統計算的是600萬人的人效，通過深度計算把人“用到極致”，將人的效能“發揮到極致”。寫字樓電梯間里，美團的廣告語不斷傳出：“美團外賣，送啥都快！”但我們一定要知道，外賣系統的設計基礎不是技術也不是算法，而是人、是思維，這個系統的基礎是企業決策的方向。那么，在數智化的算法面前，我們究竟怎樣才能把握有關工作的平衡呢？是通過人力資源數智化來追求人力效能的極致，還是通過人力資源數智化在不斷優化人力效能的同時也關注為員工們帶來工作的幸福體驗？相信這個答案不在于算法，而在于我們自己，在于我們一開始用怎樣的思維去定義系統算法。

關注技術變革，更關注思維變革；推進科技創新，但不模糊人本情懷，這才是人力資源管理的初心。永不停滯的探索是人力資源從業者向人、向科技的最高敬意——追求最優化的方法，而不是追求最優化的人。

未來，人力資源管理數智化將會進一步賦能于企業，使企業不斷優化管理用人的方法，不斷提高人效。

作者單位 澳門科技大學商學院廣州銳庫企業管理咨詢有限公司