• 人员分析
    大转变:2019年人力资源发展趋势? 文/ Rachael Klinefield 最近技术的发展和我们看待员工管理方式的转变正在改变人力资源行业。员工对公司的期望更高,人力资源部门正努力留住员工,改善工作场所文化。随着报告和招聘软件、员工数据和社交媒体触手可及,人力资源部门有了一个可以探索的新世界。虽然这些变革已经全面展开,但2019年将是一个精益求精的阶段,因为企业将逐步完善新的人力资源战略和理念。最大的主题问题是:公司如何更好地利用技术来做出更多数据驱动的决策?是时候摆脱数据分析的瘫痪状态,进行明智的员工管理了。 人员分析 2017年,研究显示,企业对人员分析的关注出现了戏剧性的倾斜——过去,这是一种没有得到管理层太多关注或资金支持的利基业务。计划实施数据和创建人员分析数据库的公司从通常的10-15%跃升至69%的多数。 已经实现了许多人员分析元素来改进日常操作。然而,数据完整性问题以及高管对自己的数据只有表面的理解一直是一个重大障碍。2019年将最终带来更多的理解和以前在人力资源行业不存在的数据掌握水平。管理人员可能会在如何使用他们的数据方面受到更多的教育,或者可能会出现数据管理方面的其他职位。 招聘技术 2019年,现代化的招聘管理系统将越来越受到依赖,进一步简化人力资源部门的招聘流程。企业再也不能采用过时的战略来发现、聘用和培养顶尖人才。 现代招聘软件可以在两个关键领域帮助公司:优化和目标。换句话说,该软件将在做脏活的同时为招聘人员节省宝贵的时间。人力资源专业人士将不再浪费时间盲目地寻找人才。相反,招聘技术将使企业能够在它们最有可能发现下一个大雇员的地方进行磨练。此外,该流程将从开始到结束进行优化,使HR能够在较少变化的情况下细化和完善他们的入职流程。 除了学习管理系统可以培养更好的团队培训和沟通,更多的公司会考虑机器学习和人工智能能提供什么。聊天机器人和类似的技术可能会承担更低级的任务,比如调度和提供基本信息。这将使人力资源专业人士腾出更多时间,与应聘者进行重要的关系建立活动。 雇主品牌 声誉管理长期以来一直是热门词汇,但企业将开始对客户和潜在候选人如何看待自己施加更多控制。公司将从简单地监控他们在网上的表现,转向引导雇主品牌走向他们想要的方向。随着公司需要更多优化和精简的软件来处理低级功能,我们将看到更多的软件集成。越来越多的公司开始采用“付出才能得到”的理念——建立一种基于团队价值和需求的企业文化。我们将看到公司进一步创造性地营销他们的雇主品牌和价值观作为中心焦点。 打破朝九晚五 人力资源部门终于习惯了工作角色变得越来越短暂的事实。到2020年,据估计大约有50%的美国的劳动力将是临时工、合同工或自由职业者。尽管许多人将这种转变视为经济混乱和无序,但企业有机会在必要的项目基础上节省资金并聘用有技能的人才。人力资源部门可以培育一个不断壮大的高素质人才网络,而不是与有限的员工群体结婚,这些员工可能具备或缺乏满足公司期望的技能和激情。这段时间为企业提供了一个摆脱导致员工敬业度危机的层级管理风格的机会。反过来,他们会转向以关系为导向的策略,雇佣符合他们文化和价值观的人才。帮助企业追踪并与人才网络保持联系的数字工具,将是未来的一项重要资产。 最后 尽管这些变化的最终结果无疑是积极的,但过渡期可能会让许多人力资源部门不知道首先该做什么。面对如此多的新选项和巨大的变化,您如何确定哪些软件真正适合您独特的公司需求并有助于促进变化? 2019年,人力资源革命将最终取得成果。员工敬业危机带来的发人深省的影响受到了人们的关注——生产率下降、高流动率以及缺乏团队协作和创新。人力资源主管知道,他们需要以一种前所未有的方式提升自己的水平。企业将开始看到过去几年劳动的成果——经历技术更新带来的成长阵痛,适应广泛而复杂的运营变化。随着节奏的加快,人力资源部门最终可以适应这些新的、授权的系统,以加强他们的劳动力。   以上为AI翻译,内容仅供参考。 原文链接:Big Shifts: What HR Trends Are Coming in 2019?
    人员分析
    2019年01月11日
  • 人员分析
    人员分析专家David Green:2019年人力资源的10个预测 文/David Green 1. 人性化 尽管人工智能无疑将彻底改变我们的工作方式,也将改变我们实际从事的工作,但有关机器将如何让我们失业和做苦工的反乌托邦评论完全是错误的。显然,我们正处于巨大的混乱之中,许多例行和重复的任务将会被自动化。然而,高德纳(Gartner)、世界经济论坛(World Economic Forum)和麦肯锡(McKinsey)等机构的研究都得出结论,人工智能创造的就业岗位将多于它将取代的岗位。人工智能创造的就业机会将使我们更有创造力,更有影响力,更人性化。正因为如此,我对2019年的所有预测中,贯穿其中的趋势(引用布鲁斯•斯普林斯汀(Bruce Springsteen)的话)是“一点人性化”。 (图1:2022年就业形势  资料来源:世界经济论坛) 2. 个性化 我对2018年的主要预测是,到2019年,随着人力资源部门继续从市场营销中汲取灵感,为员工创造个性化体验,我相信,这一变化将进入超速运行阶段。这是对过去“一刀切”的人力资源项目的一个根本性转变。业务需求、技术能力和员工自身的期望意味着,这种倒退的做法需要被扔进历史的垃圾桶。相反,个性化员工体验、提供支持(例如新员工入职、学习和调动)的建议,不仅有利于员工,而且有利于企业提供数据以支持战略、员工规划、挽留和业务业绩。 3.人员分析应用激增 随着人们对这一领域的兴趣和接受程度的加快,2018年对人们分析来说是具有里程碑意义的一年。一项企业研究论坛的研究发现,69%的大型组织现在都有一个人员分析团队,采用这个团队的鸿沟似乎终于被跨越了。人员分析团队的工作越来越平等地关注于为员工提供价值,以及驱动更好的业务结果。尽管,企业在实现持续卓越的人力资源分析方面仍面临许多挑战——尤其是在更广泛的人力资源职能和人力资源业务合作伙伴社区中灌输数据素养方面,但随着人力资源分析不断从外围转移到人力资源战略的核心,预计2019年将有更多企业采用这种分析。投资于人员分析的商业效益也变得越来越明显,Visier最近的一项研究发现,拥有高级人员分析能力的组织的利润率比同行高出56%。对我来说,这听起来像是对数据驱动型人力资源的完美号召。 (图2:人员分析的采用和业务价值的上升 来源:Corporate Research Forum and Visier) 4. 人员数据 伦理是人员分析最重要的方面,也是该领域最大的挑战。2018年发生了剑桥分析公司(Cambridge Analytica)丑闻、亚马逊(Amazon)有偏见的招聘算法的新闻,以及欧盟(EU) GDPR的引入。人员分析的潜力是巨大的,但出错并失去员工信任(或许无法挽回)的风险很高。所有在这一领域工作的人都有责任确保人员数据得到良好的利用。幸运的是,向员工提供个性化的建议和见解以换取他们与雇主共享的个人数据的趋势日益增长,这一领域正朝着正确的方向发展。再加上员工健康市场的大幅增长,预计“个人分析”(personal analytics)将出现增长。在“个人分析”中,员工将获得数据驱动的洞见,从而做出更好的个人和工作决策,并在2019年呈指数级增长。 5. 员工体验和健康是中心 我在2018年读过的最好的书之一是杰弗里·普费弗(Jeffrey Pfeffer)的《为了薪水而死》(Dying for a Paycheck),这本书对我们的工作场所如何“杀人”进行了发人深省的分析。Pfeffer论述到现代管理实践不仅给员工带来了压力,损害了员工的敬业精神,还损害了员工的身心健康,此外他还强调了现代管理实践给公司绩效带来的巨大伤害。这就是为什么人员分析领域和关注员工体验和健康一样重要。用于理解、设计和衡量员工体验的方法和数据驱动正变得越来越复杂、越来越广泛。这些工具包括主动和被动的倾听工具,如调查、在线测试和可穿戴设备,以及对非结构化数据(如文本)的分析,这些数据结合起来提供了员工思维、感觉和行为的信号。希望看到越来越多的公司为员工提供工具、数据和“小建议”,以支持锻炼、心理健康、工作/生活平衡,以及由此带来的动力、幸福感和绩效。 6. 社会资本的兴起 随着企业试图深入了解个人、团队和组织绩效与生产率的驱动因素,人们越来越关注于最大化组织社会资本的价值——即个人和团队在企业内部的联系方式。这使得使用组织网络分析(ONA)来映射关系、识别关键影响因素、突出员工面临的工作倦怠风险、洞察员工表现并支持创新的公司数量迅速增长(见图3)。随着越来越多的公司采用ONA, ONA供应商市场(见图3)正在蓬勃发展,并将在2019年加快步伐。 (图3:典型的ONA用例(左)和供应商市场扫描(右)来源:David Green, ONA在人员分析中的角色) 7. 轻推(NUDGE):行为经济学进入了人力资源领域 我去年的一个预测是,随着Humu的出现以及其他供应商在这一领域开发工具,我预计2019年将真正脱颖而出。总而言之,由于企业长期以来一直试图理解并影响消费者行为,人力资源部门在这里再次扮演着市场营销的角色。虽然人力资源领域的例子仍然短缺,但我知道许多人分析团队在这个领域进行了试验。其中之一是谷歌(看Prasad Setty在这里的讲话),在这里,人员分析团队承担的大部分工作都是研究,帮助培训谷歌员工如何做出决策,以及他们如何随着时间的推移改进这些决策。预计未来12个月,将会听到更多有关企业研究行为对员工、团队和组织影响的消息。 8. 人力资源技术市场不断创新和巩固 在“ UNLEASH”的一次后台谈话中,乔希•贝尔辛(Josh Bersin)向我透露,他目前正在追踪全球1400家人力资源公司。与此同时,领域内的投资也在增长,投资方面临的选择令人生畏。随着技术能力的加快,人力资源数字化转型和员工期望值的提高,投资、创新和困惑也必将增加。2018年,领英(LinkedIn)推出了人才洞察(Talent Insights),并收购了Glint, SAP斥资80亿美元收购了Qualtrics、Humu的出现以及越来越多令人印象深刻的初创企业的增长。希望在2019年有更多的创新和空间整合。 9. 对技能的关注加强 由于企业期望更敏捷,并为通过人工智能和自动化提供的挑战和机遇做好准备,因此劳动力细分的重点需要从角色转向技能。事实上,正如TI人才研究发现的(见图4),到2020年,在组织中,按技能/技能集划分的市场份额将增长两倍。成为一个以技能为基础的组织是一个重大转变,这需要时间,因此预计2019年将会有更多人力资源领导者、人员分析团队和供应商社区的推动。整个技能领域将持续影响劳动力计划(技能为未来劳动力组成)、学习(工人将需要新的技能在未来的工作场所)和人才收购(培养人才池,招聘新的技能,站点位置等)以及公司并购战略。 (图4:当前和2020年的劳动力细分 来源:TI人才) 10. 人力资源技能和能力的革命 人力资源是企业中最令人兴奋的工作领域之一。这在一定程度上是由于该功能可能面临前所未有的变化,以及人们对它需要为企业和员工提供的价值和影响的期望有所提高。因此,人力资源专业人员所需要的技能和能力也正在发生翻天覆地的变化。我最近与myHRfuture合作进行了一项调查,以了解这些技能是什么,以及哪些技能是人力资源专业人士最需要的。图5展示了这些技能。随着传统的人力资源专业机构努力将这些要求纳入他们的认证项目,预计将看到可选择的供应商(如myHRfuture)的崛起,以满足这一不断增长的需求。 (图5:未来的人力资源技能 来源:myHRfuture) 这是对2019年的10个预测,2019年将是一个繁荣的、以数据为导向、以员工为中心的一年。   以上为AI翻译,内容仅供参考。 原文链接:The Human Touch: 10 Predictions for HR in 2019 相关阅读: 员工敬业度3.0:Humu启动微动引擎 领英(LinkedIn)推出了人才洞察(Talent Insights) 重磅:领英收购了Glint SAP斥资80亿美元收购了Qualtrics
    人员分析
    2018年12月27日
  • 人员分析
    人员分析:为什么统计不是浪费时间 文/Erik van Vulpen 许多人力资源从业者都有人力资源管理研究或工业和组织心理学的背景,而这些研究严重依赖于向学生讲授统计数据。作为一名学生,通常很难想象为什么统计数据如此重要。特别是如果你不想成为一名学术研究人员,统计数据会让你感到浪费时间。我们大多数人都希望与人合作,只是“做”人力资源,与统计数据的相关性便开始缺失。 然而,正如大多数人员分析人士所知,人力资源中统计数据的应用是我们称之为人力资源分析的基础。了解统计数据,了解如何以不同方式查看数据,以及在需要时分析数据,有助于我们做出更好的决策。 事实上,这是我经常从统计学的学生那里听到的。在制定更好和基于证据的决策方面,没有什么比对基于统计数据的结论和基本理解更有帮助了。 人员分析统计 聚合多个系统的数据并创建HR指标的仪表板,如使用Excel,Power BI或R来制作可视化数据,是实现人员分析的重要步骤。 但是,如果事实证明您拥有的数据不具代表性,那么您的结论和决定会发生什么?如果您需要轻松检查数据的质量和准确性,并轻松删除偏差结果的错误异常值,该怎么办?能够系统地思考数据对于人员分析至关重要,并且知道如何检查相关性以及因果关系成为人员分析的核心。 统计上显着的异常值 统计数据是人员分析的重要组成部分,适用于各种分析。例如: 如果您的大多数人表现“满意”,您将如何区分好或坏的表现?对数据进行区分,以得出结论并充分理解,是人员分析不可或缺的。 或者,当您启动分析项目时,您是否发现数据有回归到正常平均值的趋势?分析项目通常是对组织中问题的响应,但这个问题可能是由数据中的偶发性异常值引起的。这意味着下次我们进行测量时,这个异常值将降低到正常水平,这被称为回归均值。 另一个例子是问卷的答复率。您上次参与调查是否在组织中的不同群体之间获得了相同的回复率?或者这是你没有检查的东西?要了解某些群体在您的调查中是否过多或不足,您可以使用一些相对简单的统计技术来检查这一点。 对于我们的读者,Daniel Kahneman的书《思考的慢与快》强调了对数据进行深思熟虑和系统思考的重要性。通常我们能够在看到信息后立即快速处理信息,但这会受到我们的偏见和其他情绪的影响。只有采取更加审慎和合乎逻辑的方法,我们才能开始做出更客观的决定。统计学的学生在这方面表现得更好,因为他们知道人们容易受到的许多谬误引导。   以上为AI翻译,内容仅供参考。 原文链接:People Analytics: Why Statistics Is Not a Waste of Time
    人员分析
    2018年12月19日
  • 人员分析
    人员分析:在人员流动模型中建立可解释性 文/Ridwan Ismeer 最近,我有幸与来自新加坡理工大学的一群才华横溢的学生一起工作。他们的任务是帮助构建一个非常普通的人员分析应用程序:预测员工流动率(此类应用程序的优点、相关性和伦理值得商榷,可以单独讨论)。 摘要:建立一个能够准确预测员工情绪的模型,在0-6个月,6-12个月和>12个月的时间范围内的周转风险。 这两项不可谈判的要求是: 1.准确性:真阳性高,假阳性低。大多数实践者会强调低假阴性,但我们有理由不这么做。 2.可解释性:在人员分析中,模型的可解释性是采用模型的关键。人员分析的最终用户通常想要理解为什么模型要预测它是什么。事实上,GDPR有新的规定要求人工智能的决定是可解释的。 现在,任何分析实践者都可以很快地指出,这两个需求之间存在一个内在的平衡。精确的模型很少是可解释的。可解释的模型很少是准确的。但我们想检验这个假设的二分法。因为在人员分析中,仅仅精确是不够的——它需要用户能够理解。 除了我们两个严格的要求外,我们还为团队提供了一个强大的人力资源指标列表、一个足够大的数据集以及评估以下算法所需的基础设施: 和往常一样,xgboost在预测营业额方面表现最好(引用Kaggle上最常用的算法之一)。事实上,它的TP和FP速率满足了我们对精度的要求。容易解释的模型,如GLM和逻辑回归只是没有比较。 然而,任何以前使用过这个算法的人都可以证明,要想弄清楚它的黑盒子里发生了什么是多么困难。我们可以告诉股东鲍勃的离职风险很高,但我们无法解释原因。 或者我们可以吗? 将可解释性构建到像XGBoost这样的算法中并非易事,但这是可能的。除了向涉众提供处于风险中的员工的姓名之外,我们还为他们提供了一个交互平台,用于修改现有的功能,并重新运行模型,以指向导致模型将其评为处于风险中的功能。如果鲍勃去年升职了,模特会得出同样的结论吗?是的,它将。如果Bob在一个较小的团队中,模型会得出相同的结论吗?是的,它将。如果他的工资比市场上的要高呢?不。瞧。 由于用户需要进行多次迭代才能更好地理解每个案例,因此需要进行大量的工作,但是它允许我们保持较高的准确性,同时为涉众提供必要的模型内部工作,以使其更易于解释。 一些免责声明:   1.本帖旨在解决可解释性和准确性之间的错误二分法,而不是鼓励使用个人离职模型。事实上,我甚至会说,诸如加薪和提供晋升等行动绝不应以离职风险为基础。这对精英文化来说可能是灾难性的。对一般离职动因的综合分析应该是离职模型所能做到的。 2.首先,关于可解释性的必要性有很多争论。埃尔德研究中心的约翰·埃尔德博士认为,人类过于依赖基于先前经验的确认偏差,无论如何都无法客观地解释模型的结果。辩论还在继续。点击这里了解更多内容。 3.图像中使用的数据完全是基于虚假数据,仅用于说明方法。 4.我有自己的看法。   以上为AI翻译,内容仅供参考。 原文链接:People Analytics: Building for Interpretability in Turnover Models
    人员分析
    2018年11月30日
  • 人员分析
    人员分析:构建数据驱动的人力资源功能 成功的人力资源领导者如何利用分析来优化员工队伍并创造真正的商业价值?Assurant数据分析信息管理高级总监Perla Sierra告诉我们更多信息。 当您投资,推动采用或尝试优化People Analytics的业务成果时,您的团队面临的三大挑战是什么? 在开始真正的分析之旅之前,必须评估数据的质量,必须同意一致的指标,并且必须实施隐私保护措施。虽然数据通常永远不会完美,但我们必须努力获得尽可能高的数据完整性,并且当存在数据缺口时,分析从业者必须了解数据机会并在任何分析练习中将其考虑在内。 尽管有关人员的数据已经存在很长时间,但人们将分析从预感和感觉转变为更有条理的方法已成为最大的挑战之一。将数据驱动的决策方法应用于人们面临的挑战是,使用公平竞争环境比较员工和绩效非常重要,这很难做到。要做到这一点,我们必须始终调整上下文。调整上下文涉及考虑数据中可能不存在的因素,或者它是否可能不明显。 例如,在比较相似或相同工作的绩效时,应考虑数据之外的其他因素,例如环境因素(即工作条件,经理等)。 在人员分析空间内制定数据驱动的决策可能会加剧紧张局势,因为人们更喜欢人类对算法判断的判断。事实是数据驱动的决策如果竞争场是均匀的,当然如果数据是准确的,那么就会消除偏见。基于数据做出决策无疑将提高组织的分析成熟度,并有助于在决策制定过程中采用更加公正的方法,同时加强组织的文化。数据的可用性提供了新的创新和新的见解。 对于想要成功构建,扩展和优化人员分析功能的人力资源领导者,您最重要的2-3个最实用技巧是什么?他们应该优先考虑什么? 高质量数据,数据安全性和数据隐私的可用性应该是实施人员分析功能的最前沿。如果没有这三个关键要素,那么成功构建和扩展成功的人员分析功能将更加困难。有时并非所有数据都是完美或准确的。在这种情况下,组织应考虑采用分阶段方法,该方法可以利用准确或至少足够好的数据来启动分析过程,而不是等待所有数据准确。 不幸的是,分阶段的方法需要更长的时间,并且在增量成本方面可能会花费更多,但是,如果您只是选择在没有整个数据范围之前选择不继续前进,那么您应该考虑可能遗漏的无形机会成本。这是一个你必须对不舒服感到舒服的情况,并通过“足够好”的数据推进。我会考虑创建数据委员会和数据管理员的最佳实践,这可以推动数据标准化和质量并推动数据治理。 在组织的人员分析成熟度之旅中,2-3个关键里程碑是什么? 让我们从头脑开始。最终目标是让企业将人员分析嵌入业务决策中。我们怎样才能最好地完成这项工作?该数据必须是可靠,安全,维护,一致的,但是,它并不一定是完美的。人力资源合作伙伴必须确定影响业务的人员问题,这些问题可以在流程早期确定,甚至可以完全消除。在人力资源合作伙伴和商业合作伙伴必须协同工作寻找机会获取洞察力并在适当的时间向适当的受众提供可操作的见解,并最终在可能的情况下提供规范性和预测性分析。人力资源团队必须与业务领导者,一线经理,客户,供应商和其他人合作,以识别机会,传播意识,形成深层合作伙伴关系,并提高组织成熟度。 人力资源如何增加自身的分析成熟度同时增加业务的一些例子是提供以下内容:监控员工保留,培训,内部流动性,技能集评估,将招聘评估与绩效指标相关联,确定未来资源需要。 在人力资源组织中构建数据驱动型文化时,您采用了哪种方法? 在构建数据驱动型文化时,我遇到的最有效的技术是与不同的内部业务,部门,分析从业者甚至外部资源建立业务合作伙伴关系。每个人带来的人和体验的多样性在创造性解决问题和创新方面提供了最多的帮助。每个人都通过不同的视角看待机会,这种整合创造了强大的协作模式,使组织受益。通过采用多元化的文化和整合思维伙伴,可以提供建设性的论据,敢于不同意,并准备改变主意,你真正将组织推向最高水平,不仅仅是合作,买入和接受,而是你整个组织的分析成熟度越来越高。开放是真正伟大事物的开始。随着合作和沟通的继续, 2020年及以后,您亲自跟踪的人员分析和劳动力绩效空间的2-3大趋势是什么? 就像消费者一样,员工也希望为他们量身定制解决方案,而不是一刀切的方法。 机器学习技术使组织能够为从人才获取到内部移动,学习,团队建设和其他领域的所有领域的员工量身定制个性化体验,从而提高员工敬业度。机器学习不仅可以用于个性化体验,还可以提供最佳的团队整合,以及基于通过性格测试,社交网络,调查或其他方式获得的数据获得最佳积极成果的内部移动机会,从而创建一个爆炸性的人力资源转型,员工敬业度和减少营业额。当然,这些想法也可以针对承包商,这也将为投资带来巨大回报。 员工和承包商希望提供给客户的相同个性化体验,这不应该让我们感到惊讶,因为客户,员工和承包商都是人。我希望看到更加注重将员工敬业度与生产力水平和业务成果联系起来。   以上为AI翻译,内容仅供参考。 原文链接:人员分析:构建数据驱动的人力资源功能
    人员分析
    2018年11月22日