BBC 曾有數據表明：未來 HR 有 90% 的可能性被人工智能取代。
但有一種能力，是最不可取代的，
就是根據數據做出決策的能力，
但這正是當前 HR 所缺少的。
1 大數據分析的進步，將激發洞見并驅動HR行動
大數據分析的進步使得 HR 可以從尚未開發的數據中提取有意義的信息，并為組織更好地進行人力資源分析。
例如，某人的某項技能在LinkedIn上被認可了 99 次，這意味著什么？
問題的答案取決于數據分析。
因為我們不能僅僅提出個人的想法，我們需要根據數據做出決策，而這正是當前 HR 所缺少的。
盡管計算機能夠迅速且高效地整理數據，但“人力資源的數據相當麻煩”。
所以大數據的真正作用是，利用那些我們此前從未利用過的、各種類型的數據。
在 10 年之前，嘗試對簡歷進行建模分析是一項令人沮喪且十分困難的任務，但如今“對那些提供數據服務的公司而言，這簡直就是小兒科。
2 人力資源有許多糟糕的數據
有一個好消息是：
當云計算能夠實現“基礎設施即服務”的今天，
企業不再需要在硬件方面進行大量的投資，
也可以完成例如人力資源分析等重要的分析工作。
但仍然有一個挑戰：
盡管不斷提升的計算能力、與對信息篩選與排序的全新技術，
有效解決了數據規模與分析效率的問題，
但人力分析仍然面臨著數據的“多樣性”或“不一致性”，
這使得人力資源有著許多我們從未見過的很糟糕的數據。
舉個簡歷的例子：
在候選人的簡歷中幾乎很難有完全相同的信息。
而這一問題也同樣出現在其他人力資源數據，
你會發現不一致性幾乎無處不在，例如員工滿意度調查與績效評估。
還有一個讓人頭疼的是：
數據是“結構化的”還是“非結構化的”。
我們將“結構化數據”比作Excel表格中的信息，每一列的表頭定義了不同的數據元素；
而“非結構化數據”的則是諸如簡歷、視頻、圖片、音頻記錄等。
結構化數據是可篩選的好用的，非結構化數據是不好批量操作的。
但我們通常認為，非結構化的數據是有待結構化的。
因此，能將這些非結構化數據轉化為結構化的可用格式的人，比如數據科學家或第三方服務商，就顯得尤為重要。
3 用 3 類數據驅動決策
作為個體，我們在人才篩選方面做的非常糟糕，而且長久以來都是如此。
解決這一現狀的重要的方法是，HR通過更好地使用數據來做出更佳的聘用決策。
當從一摞簡歷中篩選特定候選人的時候，提高效率最自然的方法是采用“閾值法”，但每個人所設計的“門檻”會千差萬別。
例如，
也許某人可能會首先淘汰那些 GPA 低于 3.3 的候選人；
而另一個人可能會首先淘汰那些未能在求職信中提及所應聘企業名稱的候選人。
因此我們靈魂拷問一下：
有多少真正優秀的候選人，因為不了解撰寫簡歷與求職信的方法，
而慘遭用人企業淘汰？
此外，我們都傾向于聘用與我們自己相似的候選人。
這也是考慮使用算法的又一原因：
令你對候選人成功表現有著更加準確的預測。
由于能夠審查那些重要且與業績相關的信息，同時忽略那些不重要的因素，大數據與人力資源分析往往能夠帶來更佳的預測結果。
數據分析主要為三類——描述性分析、預測性分析與規范性分析，
我們以駕駛車輛躲避坑洼為例，來解釋三者之間的主要區別。
描述性分析是其中最容易的一類。
描述性分析就像通過觀察后視鏡來駕駛汽車。
“我在試圖避讓路上的坑，我在后視鏡中看到了它，嗯，沒錯，它在那兒。”
描述性分析的典型特點就是這種事后的檢驗。
而預測性分析，
就像駕駛員在駛向坑洼時通過擋風玻璃估計它的位置，
“這兒有一個，那兒也有一個，糟糕，我沒辦法避免，我還是沒躲過去。”
規范性分析，則是與前瞻性數據相關，
以及更為關鍵、必要地響應數據的行為。
就像“沒錯，快要撞上了，但根據我對車輛系統的了解，我會做點不一樣的事兒”，
然后避免撞擊。
我認為許多 HR 專業人員仍在使用描述性分析，一定要小心堆砌數據的壞處，小心“死于數據儀表盤。”
預測性分析是稍微難了一些，不過我們已經開始預測哪些候選人更有可能適應我們的文化，并擁有相應的能力。
而對于規范性分析，我目前并未在HR領域看到運用這種分析的實例。
一個假設的例子可能是運用“人員流失分析模型”對即將離職的員工進行預測。
“我知道我即將失去一位員工，所以我打算做一些什么。”
根據分析模型的預測結果，
為了保留那些可能存在離職風險的優秀員工，
HR 能夠找到可能的方法與步驟。
我十分看好大數據與人力分析的潛在價值，除此之外，拯救與改善人力資源別無他法，所有的一切都應源于我們所接收并處理的數據。
4 利用大數據分析，你有 4 層選擇
對那些期望利用大數據分析的人力資源部門，你有 4 層選擇：
第一層： “最佳”選項，同時也是成本最高且最為冒險的方式，
是雇傭一位人力資源數據科學家。
如果你聘請一位人力資源數據科學家，他們將會仔細研究你整個的系統，識別出那些你最有可能取得最大成功的機會，之后，他們便會立即著手，去搞定各種各樣的問題。
第二層：退一步聘用一位顧問。
如果有些人只是想知道人力分析是怎么一回事，這也正是我最建議的方式。
順便說一下，數據科學家提供顧問服務的費用大約是每小時 120~300 美元。
對顧問而言，他們所擅長的工作是參與進來，并快速的從所參與的所有項目中識別出真正具有價值的那些。
在此基礎上，HR 便能借助這些反饋獲得審批，從而集中資源推動相應的項目。
第三層：擁有一位 HR 分析師員工。
HR分析師并不需要他們成為數據科學家，但他們理解統計分析并能夠識別其中關鍵的內容。
第四層：最簡單的方式，充分使用第三方服務商所提供的工具。
大多數企業都處在不同的階段，
也許有的企業已經有了 HR 分析師，甚至有的還有了自己的HR數據科學家，
盡管如此，對普通企業來說，聘用一位數據科學家仍然十分困難，
特別是那些做出聘用決策的人也不清楚他們真正需要什么。
最重要的是，招聘人員在面試數據科學家時也很難識別出哪些人真正合適，風險的確很大，
可能你聘請了一位專家，
到一年之后才發現他可能并不合適且白白耗費了成本。
所以，對企業來說效率最高的，還是擁有自己的 HR 分析師，
未來，他們將成為企業中的關鍵人才，
未來，是人力資源實踐與數據科學相融合的天下。
公安備案號：34080202000488