• 大数据
    【大数据】看Google如何利用数据分析重新定义HR 当谷歌的股价突破了800美元的界线,谷歌一跃成为全球第三位最具价值的企业。当人们解读谷歌公司的成就归功于领先的技术及商业模式的时候,然而谷歌公司却坚定地认为,他们的成功来源于成功地运用了“人事分析”的优秀人员管理实践。这是一个令HRM兴奋的最佳实践! 一种新型的人员管理 谷歌优秀公司的高管认识到持续创新是不可能会出现,直至企业采取战略转移,成为一个注重优秀人员管理的组织。注重人员管理的企业战略是必要的,因为创新来自于人。于此同时,除非你有能力聘请并留住创新的人,否则你无法使创新最大化。甚至,你必须为这些创新者提供卓越的管理者和能够支持创新的环境。不幸的是,成为一个创新性公司的转变过程是不确定的,因为现今绝大多数的HR职能操作都是参照20世纪的操作原则而开展。显然,这种职能操作属于能够减少风险,也合乎法律法规的人员管理决策。如果你追求持续型创新,你需要彻底改造传统型的HR,而谷歌的这个过程将引领创新。 转移到基于数据的人员管理 “人事分析”方法的基本前提是精准化和量化企业中最重要最影响深远的人员管理决策。你无法产生优秀的经营业绩,除非你的管理者采用精准化的人员管理决策。许多人会认为产品研发、市场销售、资源配置决策属于最具影响力的决策。然而,以上每一个商业决策都是由员工来做决定的。如果你聘请并留下的绝大多数员工是平庸的,同时你提供少量的数据给他们,你只可以做一个假定,那就是他们将会在这些重要的商业领域中做出平庸的决策,当然在人员管理决策上也是如此。 在财政、供应链、市场销售等这些领域中,没有人会在缺乏大量的图表、表格以及数据支持的情形下在他们各自的领域提出相应解决方案,然而HR被普遍认为过于依赖“信任”和“人际关系”来解决问题。人员花费通常占用企业近60%的可用成本,因此采用基于数据分析的方式来管理这些涉及一大笔花费的项目是具有重要意义的。 具有显著对比的是,谷歌的成功很大一部分取决于它是世界上仅有的运用数据导向来处理人力资源职能的企业。谷歌成功的商业经历应该能够使任何一个想要寻求企业高速发展的高管们相信,他们必须首先要考虑采用谷歌现在所用的基于数据分析的模型。谷歌所用的方法导致谷歌拥有着令人惊讶的、少有企业能够达到的生产力和利润(平均来说,每个员工每年能够生成将近$1000,000市值的生产力,以及平均每年$200,000的利润)。 如何采用谷歌式方法来重新定义HR 谷歌HR的职能与我曾调查和共事过的上百位HR的职能有显著区别。首先,谷歌并没有把HR的职能部门称为“人力资源部”,而是称为“人力运营部”。谷歌副总裁与HR主管Laszlo Bock无可非议地认识到每一个领域都需要基于数据的决策。谷歌的人力资源管理决策是通过强大的“人事分析团队”来引导的。以下两点引用来自该团队所强调的目标: 谷歌所有的人事决策都是基于数据和数据分析的。 我们的目标是人事决策所采用的精确化水平与项目决策的相同。对于HR,谷歌不再采用20世纪主观决策的方式。尽管它仍旧称它的方法为“人事分析”,然而它的决策方式也可以称为“基于数据的决策”,“基于数学的决策”,或者是“基于事实和证据的决策”。 1、氧气项目 “氧气项目”通过研究分析大量的内部数据,判定杰出的管理者都是基于其卓越的表现。它进一步鉴别出卓越领导者的八大特性。这些数据证明了相对于拥有深厚的技术功底的管理者,定期的一对一交流(包括表达对员工的关注和提供频繁的个性化反馈)是成为一名卓越的领导者最重要的品质。员工们会每年两次地根据这八大特性,对其上司的表现进行评价。 2、人力资源实验室 谷歌的人力资源实验室是其他任何企业所不具备的独特团队。这个团队在谷歌内进行具有应用性的实验来判定谷歌是使用最有效的方法来管理员工并提供多种的工作环境(包括使用最令员工愉悦的奖励方式),这个实验室甚至借助科学的数据和实验,通过降低员工饮食中卡路里的摄入量(仅通过减小餐盘的尺寸),来促进员工的健康。 3、人才保留算法 谷歌借助自己开发的一个数学算法积极并成功地预测到哪些员工很有可能会离职。这项举措允许管理者在为时过晚之前采取行动,并为员工留任提供个性化解决方案的空间。 4、人才管理预测模型 谷歌的人事管理是具有前瞻性。因此,它开发了一个预测模型并运用有效分析进一步改善对未来人事管理问题与契机的预测。谷歌也将运用数据分析提供更具成效的员工计划,这是实现企业快速发展与变革的关键。 5、人才多样性管理 与大多数公司不同的是,谷歌公司运用数据分析来处理员工多样性问题。从结果来看,人员分析团队运用数据分析来鉴定人员(尤其是对于女性员工)招聘、留任和升职板块薄弱的本质原因。鉴定的结果对于企业的人员招聘、留任和升职的影响是显著的可测量性。 6、高效招聘算法 作为少数按照科学的方法进行招聘的企业之一,谷歌公司开发了一个算法来预测应聘者在获聘后是否具有最佳生产力。谷歌公司的研究也会鉴别面试背后所隐含的价值,显著地缩短聘请员工的周期。谷歌运用战略方法来开展招聘,这在现今企业当中是独一无二的。谷歌的聘用决定是由团队来决策的,这是为了防止个别招聘经理为了他们的短期需要而聘请员工。在部分项目中,谷歌针对每类工作员工招聘开发了一个算法,用于分析被拒绝的简历,分辨出任何他们可能错过的卓越的应聘者。他们发现他们仅有1.5%错失率,重新审视候选人后,他们最终聘请了其中的一部分。 7、优秀人才的绝对值 谷歌的高管们已经统计过一位优秀的技术专家与一位处于平均水平的技术员之间的行为差异。为了检验优秀人才的价值,高管们会利用必要的资源去聘请、留下卓越人才,并进一步发展员工的卓越才能。谷歌最不为人知的秘密是谷歌的人力运营部专业人员会整理各行各业最佳“商业案例”,这是他们能够获得如此卓越的行政支持的主要原因。 8、工作环境设计对部门合作影响 谷歌特别关注于提升不同职能部门的员工之间的合作水平。谷歌发现这需要增加三个方面的变革:发现(例如,学习)、合作以及娱乐。因此,谷歌有意识地设计它的工作环境用来最大化地结合学习、合作与娱乐(谷歌甚至追踪员工们在咖啡厅所花费的时间,以此最大化地开展项目)。对于一些公司来说,设计“娱乐”环节看起来可能是奢侈的,但是数据显示“娱乐”是人际吸引、人员留任和员工合作中的关键因素。 9、提升发现和学习机制 相比于将目光集中在传统的室内学习,现在更加强调在实践中学习(绝大多数的人是通过在岗学习的)。谷歌通过循环式学习、从失败中学习、甚至邀请类似美国前总统 Al Gore和歌手Lady Gaga 的人来演讲,从而提升员工发现与学习的契机。自主学习能力以及适应力都是谷歌员工的核心胜任力。 10、用数据来说服而非胁迫员工接受 谷歌人员分析团队成功的最后一项关键要素并不是发生在分析过程中,而是出现在给高管们和管理者的最终建议书上。相比于用要求或胁迫的方式令管理者接受变革,它借助内部的顾问和高影响力的人基于强大的数据以及所呈现的行为来说服员工。因为它的听众都是具有高分析力的人员(特别是大多数的高管们),它运用数据去改变现在的观念,去影响现在的人。(回复2208获得更多大数据相关的内容,回复3152也可以获得人力资源相关内容)   【文章来源:三影塔CIO之家】
    大数据
    2014年06月13日
  • 大数据
    大数据将彻底颠覆招聘产业 来自北大的创业者肖恒是一位才华横溢的创始人,曾服务过世界500强企业松下和京瓷,他的内聘网近日获得了百万级别的天使投资,在招聘产业风起云涌的今天,内聘网凭什么获得这次投资呢?以下为i黑马记者对肖恒的专访。 我05年毕业于北大软件微电子专业,学的是嵌入式开发,最早是在手机上做游戏。05年毕业后,去日本呆了四年。我在松下和京瓷做项目开发,做了两年之后,07年7月份我跳出来了,借助一些日企的人脉关系,我在东京开了一家公司做当时在日本非常热门的人才派遣生意。我的公司提供两方面的服务,一边给在北京的中国人办签证,让国人去东京工作,另一方面更多是跟在东京工作的中国人签订劳务合同,通过我的公司被派遣到日企工作,后来公司做到了09年中,两年之后倒闭了,因为08年经济危机,连索尼(大客户)这样的大公司都一次性解聘了8000人,更别提高薪聘请外包劳务团队了,更何况层层分包,利润越来越薄,营业额一年也就不到300多万元人民币。 华为给我的创业灵感! 回国后,我去了华为,主要负责欧洲片区的安全项目市场拓展支持工作。不久,我在华为发现了创业机遇。华为几个做技术的同事,他们大概工作了五六年,在安全产品这一块开发能力上应该说很不错了,但是最后几个人找工作的时候都最终选择了51job和智联这种平台。 我研究这里头的原因发现一方面是因为IT行业存在这么一个现象,偏技术的人干的时间越长,这些人的人脉就越窄,而工作才五六年的人群,猎头又不是非常care他们。猎头care的是高端人群,因为做一单收益高,为了拿下这一单,周末的时候猎头会跟高端人群约一个下午茶,了解高端目标的一切信息,他愿意付出很多的时间。而工作五六年的人群猎头也会做,可是他最多打一个电话问一下你的情况,至于你的诸多需求,猎头很难了解,所以服务质量不好。 那么面对这个人群我在想能不能通过推荐的方式帮助这部分人群尽快找到合适的岗位,但是IT里技术宅男的朋友圈很窄,干的越长人脉越窄,因此要实现推荐,需要帮他们找一个平台,既可以帮忙找工作又可以维护人脉。 这样,我在12年4月份,开始了第二次的创业,做了一个职业社交网站,叫职来职趣,可是我做了一年后就把它停了。 没有切准用户需求,我做死了自己的网站 我当时构想的是,用户可以通过我的网站把过去的人脉关系捡起来,一方面跟这个行业里的人产生一个关系,帮助他们找工作。这就是这个产品后来失败最大的原因。因为人们找工作是刚性需求,它的窗口期一周到两周的时间,把工作找到就可以了,但是你让他在平台里捡人脉扩展人脉,这个东西时间成本太高太高,这是这个产品做失败最重要的原因,你没有切准用户刚需的时候你做一个平台,用户是不care你的,这就是为什么这个产品后来我下架了,就是这个原因。 失败后,我反思了几个月。我发现单纯的职业社交这种模式在中国的土壤上很难做起来,我选择在效率上做文章,换言之,我要打造的是一个中国提供极速推荐的网站。去年10月的时候我就开始做我现在的产品内聘网。 决定招聘成败的关键,是对双方内在需求的把握! 为什么要做极速推荐?研究别的招聘网站的产品你发现,所有的招聘产品,人们常说招聘的产品分为两个点,就像翘翘板,一边是求职者,一边是企业。但是问题是在一个招聘类平台上两个点到底哪个点最重要,这是需要去思考的问题。很多招聘网站更关注企业方。它把企业方信息呈现的很全面,企业方收到很多的简历,因此企业方可以百里挑一。一方面对于企业方还是需要花很多时间成本,去筛选简历。而另一方面个人求职者依旧要查看企业信息后,进行海投,依旧需要等待,效率仍然不够快很多人得不到反馈。应该说这些产品更多的提升的还是企业方的体验而不是个人求职者的体验。 想要真正快速的帮助求职者找到合适的工作,就要去思考双方的诉求会在哪里?用人单位和求职者的诉求是不一样的。我举个例子,有十家企业想找技术人员,用户通过传统招聘网站把简历投递给用人单位,并没有办法真正地把自己的潜力、特长和特点,乃至内在需求告诉企业。而企业也是一样的,依靠现在招聘网站粗糙的服务,很难完整地展现企业的全部需求,比如有的职位看重应聘对象的技术能力,有的职位更看重应聘者是否能吃苦,还有的看重的更多是求职者的性格和情感细腻程度等等。 换言之这些微小地需求无法从简历中体现出来的要素,恰恰决定最终的招聘或求职的成败。可是这种微观需求的筛选却极大地浪费了用人单位和应聘者的时间,因为双方都要付出相当的沟通成本,才能明确知道。 但是,很遗憾这个市场上的招聘产品并没有充分意识这一点。对于中高端求职人群有猎头服务,但是工作三五年以下这部分人群的招聘服务,却没有。服务这部分人群的产品都是信息平台,这类产品做的是一次性的,是一锤子买卖,一锤子买卖是信息平台可以做的事情,这就说为什么到现在为止招聘行业这么火,出现了几百上千家产品,还有很多人或多或少能够拿到钱,就是因为针对这部分人群的招聘产品没有服务。 为什么这样?中低端招聘产品没有人做服务,人们不愿意做服务,一方面我们的服务理念还没有跟上。其次服务的确很苦逼。刚才咱们说了,做猎头做平台做的大就三家,他们做服务出身的,他们基本上把猎头市场占的七七八八。为什么中低端做几百上千家还不停出来新的企业呢?猎头做服务能赚钱,一个人能赚好几万,对于五年以下的人群做服务做了半天,苦逼的不行还赚不到钱,中低端这种产品据具代表性就是58和赶集,一个简历三块六块,一年能营收好几千万,完全看简历收费,不需要任何的服务。所以说为什么中低端为什么会呈现千奇百怪,这么多人在做还能涌进来,因为没有人做服务门槛低。 别人不做服务,我们做服务,这就是机遇和下一个风口所在。 大数据技术服务将彻底颠覆招聘产业 既然,我们知道企业和求职者的那些内在需求,是干扰招聘最终成败的重要因素。对我们来说,这是一种信息不对称。我们的目标就是通过深挖双方的各种内在需求,通过大数据,最终实现把合适的人推荐到合适的公司去的目标。我们对内聘网现在的要求是24小时的人才极速推荐。 为了实现这个目标,我们做了这样一些事情。 首先,我们明确了平台的目标,我们更多的是服务求职者。这一点很重要,谁是我的上帝,将决定我商业模式的构建,也让我们能够得到更多的求职者的诉求,帮他们推荐到合适的企业去。 其次,我们是服务平台,而不做信息平台。过去的招聘网站并没有服务存在,不过是一个水龙头,企业通过购买广告,而自来水公司(招聘网站)决定放多少水给企业。这在互联网的早期可以被称为服务,但是在大数据时代,在高度信息透明的时代,这种网站提供的不是一种的服务。真正的服务理应增加更多的价值,要从数量多,向效率高转变。但是,传统招聘网站不愿意放弃这种落后的模式的原因,就在于它商业模式的僵化。它依靠收企业广告费就可以赚钱。内聘网就是做推荐,将来内聘网还想借助推荐得来的数据,进行数据深挖。招聘这个行业是一锤子买卖,人找工作一锤子买卖,现在所有的平台不关注用户服务体验,我希望通过用户服务让用户感觉自己是上帝,让个人用户跟内聘网保持一个友好的关系,将来这个人进到企业之后,后续发展中内聘网能跟踪服务。 然后,内聘网会搜集企业的诉求和个人的诉求,放入我们的算法模型里,通过模型算法来形成最佳配对的方式,我们的难点在于准确收集更多的企业和用户双方的诉求,放入到算法中去。不过80%的需求往里面一扔就行了。差不多就是这样。将来的话,这个里边将来最有价值的东西就是数据挖出来之后它的算法和模型是最有价值的东西。 目前,我们会要求用户根据网站的引导提交个人信息,期望工作,上班简历,这是最基本的,通过这个我们可以筛选一批推荐了,将来这一块完善的越来越深。 (创业家&i黑马:有相关从业者指出,内聘网参考的企业和求职者诉求,比一般的招聘网站要丰富的多,因此收集的信息平均要多数十项。未来,随着数据回笼越来越多,可以参考的参数标准会更加丰富,最终实现数据牵头,将招聘完成在眨眼之间。不过,我们认为数据模型的完善其实不容易,目前内聘网还有很多人工在里面了。内聘网上十人的规模三个客服。为什么客服占内聘网的比例这么高?因为它的大数据还没出来,出来以后它的客服数量会慢慢下来。) 然后,我们帮助用户来投递信息。个人用户上这个平台之后可以不用去投简历,耗费这个时间。只要定期更新简历,修改一下状态即可。我们自动把用户的简历投递给匹配他的公司。推荐过去后,企业HR会马上会收到短信,我推一个人给你了,求职者也会马上收到一条短信,这个钱是我们平台出的钱,就是为了用户很及时。用户也能收到我已经帮他投递的信息,未来手机端开发做好后,双方都可以实时查看。 采用上述策略后,将彻底打破信息不对称,实现企业与人才的无缝衔接。随着不断试错和不断循环,会越来越精准。最终实现我们极速推荐的目标。 我们平台企业快突破1000家,两个月时间做到了这个量。我们现在收企业299一个套餐,299干点什么事呢? 第一、我们利用我们服务号做一次推送,服务号里面将近有四万用户的推送,微信公共帐号。 第二、企业在完善自己的信息后,就什么也不用干了,个人完善完个人简历什么也不用干了。网站依靠算法给企业推荐十份简历,企业觉得不错,就点击联系方式,我们从里面扣钱。 未来做不做社交,不确定 社交是我的一个梦,但是我现在只想做好推荐这件事情。现在有些招聘类网站说自己做的是职业社交其实是很浅的社交。其实只是用人方和求职者之间的站内信而已。真正社交性的网站像linkedin一样,不仅为了解决我这次找工作,还能在职业人之间产生交流。 职业社交这个切入点是对,但是至于你将来怎么去切,能不能走的更深,不容易做。中国人这个圈子,有一些东西不是美国人做好中国人就能做的好,因为做了一年这个东西,里面有很多的感触。中国人做社交都是横向的圈子,纵向圈子很少人有关心这方面,同一层次的圈子就是你横向的圈子,举个例子,比如说你微信朋友圈里将来有五千人八千人,天天看朋友圈人刷不过来的时候,一定把一些人的消息屏蔽掉。为什么?因为跟你没有太多关系。你屏蔽掉的是纵向的人群不是横向人群。跟你有关系的你会看他的信息。你看不过来的时候,会慢慢把跟你关系浅的人屏蔽掉。 美国纵向社交为什么能成功?其实社交这个东西为什么说社交,一个好的产品包括社交这个产品做的好抓的是人性的东西,举个例子,比如说在中国一个社交平台上你把你的信息完全百分之百真实暴露的时候,别说真实暴露,中国人都有这么一种性格,我跟一个陌生人讲稍微夸大自己,都是这种心里。跟熟人讲的时候信息你没办法夸大,你是什么样子就是什么样子,这个东西很奇怪,把你的东西往这个平台上放的时候,你到底让谁看,朋友看还是陌生人看,心里面很微妙。这个东西它造就了你这种产品,你抄美国抄不出来。包括在美国在日本在欧洲这种职业化的氛围里面,首先人们之间互相的坦诚,朋友看到是这个样子外人看的也是这个样子,这个信息就可以暴露出来。   来源:i黑马   作者:陆海天
    大数据
    2014年06月09日
  • 大数据
    专访友友系统姚宏宇:以云计算为核心为企业服务 北京友友天宇系统技术有限公司CEO 姚宏宇   谈到大数据,姚总表示友友系统专注于数据层面,友友系统一开始就围绕着数据采集、存储、分析,所有的产品都是基于网络这个理念,核心的目的是怎么把网络优化。用比较技术的语言来说这个产品是无中心的架构,无论是解决网络环境的瓶颈问题,还是云中硬件软件网络出现问题的时候的自恢复和自控制能力,友友系统在这些方面都有极大的优势。   目前友友在为一个比较大的城市做智能交通服务,即预测拥堵。不是说等拥堵了之后才告诉你不要去哪里,而是先告诉你这个地方快要拥堵了,你不要去那里。这个领域作为大数据来说是非常有价值,第一,数据量增长非常快。第二,确实数据是可以转化成价值的。以下为采访实录:   跟我们分享一下从一开始到现在云计算有哪些变化? 姚宏宇:以前有过一个研究,从一个概念的炒作到真正落地有一个曲线图,云计算是基本上沿着那个曲线走了一圈,很快炒作起来,慢慢掉下来,掉到谷底,到真正的发展,这才是健康的发展。从市场的角度来说应该在慢慢的往健康的发展方向走。云计算之后有了大数据,我觉得还是会沿着这个方向走。   姚总出了一本关于云计算的书。 姚宏宇:那本书主要是针对云计算技术的本身,用尽量简单通俗的语言给大家讲述出来。我在中国做云计算时间比较久,但市场上所谓的专家也很多,很多人听完觉得云里雾里,也搞不清楚,那本书就是我们一家的观点,云没有那么神秘,它就是实实在在的,一般的人如果讲的好基本都可以理解。所以那本书最主要的目的是给大众的科普型读物。那本书叫《云计算:大数据时代的系统工程》,当时受钱学森老先生影响比较大,用了“系统工程”这个词。   友友系统在云计算方面的发展,我了解到友友系统一直定位在私有云的领域,想问一下姚总为什么只定位在这么一个领域?未来会不会朝公有云或混合云的方向发展? 姚宏宇:因为我们公司是一家技术型的公司,从我本人到公司主要的核心员工都是偏技术。我以前总是打一个比方,我们最擅长的是给人家盖楼,也就是私有云,你要盖这样的楼,我为你设计好盖出来;公有云就是出租,有了这个楼我怎么把它租出去,这是完全不一样的模式。另外也是一个考虑,公有云需要对这个社会信用体系的要求很高。公有云说了很多年,我参加了六届云计算大会,今年突然发现一半的厂商都是互联网的公司、公有云的公司在做了,我觉得刚刚开始,后面的路还很长,对于我们来说要选择最好的方式。私有云会一直存在和壮大,未来5年、10年、20年会以公有云为主,但私有云会一直存在,这也是我们能够为很多企业提供最大价值的地方。这么多年走下来,市场上处于同一个行业的公司有很多,我跟云计算专业委员会的秘书长聊天,他说今年的厂商变化很大,一路走来很多人调整了方向,调整来调整去,最终还是要坚信你自己选择的适合你的道路。   能否谈谈你们CloudWare产品的定位? 姚宏宇:CloudWare是我们一系列产品线的总称,虽然它是叫云计算,我们公司也是专注在数据层面的,因为数据会变成未来IT企业最重要的价值支撑,所以我们一开始就围绕着数据采集、存储、分析来做研发,其他都是围绕着不同的数据类型再深入。像结构化的数据,我们有分布式数据库,传统的企业我们有分布式数据库集群,还有非结构化数据,能够提供像亚马逊那样的服务。我们产品的特点呢,是跟外面的公司相比,是一开始设计就设想了有这样的东西,所以它们互相配合非常好。其他很多公司说我要先做这块东西,再做别的,不能说谁好谁坏,只是这是不同的思路。第二,我们所有的产品都是基于网络这个理念,核心的目的是怎么把网络优化。用比较技术的语言来说这个产品是无中心的架构,无论是解决网络环境的瓶颈问题,还是云中硬件软件网络出现问题的时候的自恢复和自控制能力,在这些方面都有极大的优势。   我对您说的数据层面比较感兴趣,这个产品在大数据方面的应用如何? 姚宏宇:我们以前叫大数据,我不太喜欢大数据这个词,我觉得数据从小到大都是有的。整个云计算技术本身最核心的就是应对数据的挑战,我以前有一个演讲,整个东西是怎么来的?最早的时候做IT系统,每个人、每个机器都是独立的,互相是没有联通的。这样一个人、一个机器产生再多的数据,线性叠加也多不到哪儿去,真正的爆发是物联网和互联网的数据,把人和人、机器和机器全部连在一起。比如我一个人说话一千句就是一千句,咱们两个聊就会很多,再加一个人进来,说话速度又无限快,数据的增长量是一个组合的增长量。所以才产生了这么大量的数据,所以才有了今天这么大的数据量,我们该怎么处理。其实我们的核心就是怎么围绕云计算的技术解决企业里面遇到的问题,当然虚拟化、云平台是在有了这个问题以后发生的。因为一台机器解决不了这些问题,你得调动100台、10000台机器来解决这个问题。以前有句话叫一人吃饱全家不愁,但你要管一个企业,管那么多员工目的就不一样了。这是云计算的另外一个角度。回过头来说数据,我们公司是一直围绕着数据服务的,因为这是能够产生最大价值的地方。   数据分为几个阶段,最早是存储,然后再进行分析处理。从你们的经验来看,现在的企业数据管理最大的挑战是什么? 姚宏宇:从中国的市场来说,我们跟国外比较先进的像美国相比,现状是落后比较多,但主要并不是技术方面。一个是意识上的认识,更关键的是我们现在很多人在炒作大数据,数据在哪儿,怎么找出来,怎么融合在一起等等,实际上我们大多数企业还没有到存储这一步;得先有数据,然后采集过来,然后才到存储。现在中国绝大部分企业的阶段还处在我怎么把数据全部汇集在一起,就像我们要做调查研究你要先把资料收集上来,很多地方我们还没有跨越。当然互联网公司在这方面做的是比较超前的,互联网公司一生下来数据就是他的生存根本,所以大家一开始就比较关心。我们曾经做过一个非常大的部委级的数据管理平台项目,仅仅是协商,我能不能拿到你的数据,哪些能拿,哪些不能拿,都得先协商好。这跟互联网公司是不一样的,这条路必须要走,但会是一个比较长的过程。   可不可以理解为大数据还处在非常早期的阶段。 姚宏宇:我觉得是,能够从大数据中发掘真正有价值的东西,为社会创造价值,为公司创造价值,不是说现在没有,但从一个大面来说现在还处在比较早期,有些公司走的比较靠前。假如他第一步走的比较好,后面相对就会走的比较好。   企业做的好也希望能够对社会做一些贡献,我知道您在大数据智能交通行业会有一个演讲,有没有案例可以分享。 姚宏宇:去年我们突然发现交通行业对数据本身是有刚需的,我们是为客户提供服务的,客户对此真正感兴趣,他觉得是有必要的,双方合作才是双赢的结局。交通行业因为堵车很严重,还有从国家道路安全等等方面的考虑,所以很多地方都有卡口。原来是在主要的道路上设监控摄像头,所有的车过去它会把你的车识别出来,以前是在主要城市主要道路,现在这种趋势开始向全国蔓延。我们现在给一个比较大的城市做了智能交通服务,很有意思,即预测拥堵。不是说等我拥堵了我才告诉你不要去哪里,而是我先告诉你这个地方快要拥堵了,你不要去那里。这个领域作为大数据来说是非常有意思的,第一,数据量增长非常快。第二,确实数据是可以转化成价值的,无论从哪个方面来看,我们都觉得做这个事情比较有意思。   其实交通跟我们每个人是息息相关的,您刚刚说到预测交通堵塞的时间点,在北京尤其严重,能不能给我们讲一讲技术是怎么实现这种预测的? 姚宏宇:细节我今天在智能交通的论坛上会提一提,根本的方法发生了一些改变,比如说原来预测拥堵很多时候都是在道路底下埋感应项圈,车过去的时候他就能感应到,统计出过了多少辆车,然后再做判断。以前很多道路都是5年、10年前建的,埋的本来就比较少,就跟采样一样,数据采样非常少所谓的预测是非常不靠谱的。像我每天都走东三环,东三环是属于最堵的一段路,我上班的时候是从北向南,一般稍微好一点,但是在三元桥会比较堵,在国贸和光华路会比较堵。假如我埋了两条感应项圈,在国贸和光华路各埋了一条,你会发现反应特别特别慢,说三环特别堵,但你发现其实过了国贸就非常的顺畅。   当然也有其他的方式,用物联网的手段来说感知的元器件现在变得非常的广泛了,而且已经有了新的方式,随时随地可以监测,非常快。这样厂商就有了大量的基础数据,这才能让我们的预测更准确,更有提前量。跟以前的方式就会有一些本质性的区别,最主要的是感知手段发生了变化。一定有什么东西触发了数据的爆发点。   我们有的时候遇到节假日,就会有一条短信告诉你要晚了,需要注意哪个路段。这种是怎么预测的? 姚宏宇:技术上是不太复杂的,感应的技术在采集车流量状况的时候是全天24小时一刻不停的,包括昨天和今天。假如今天节假日,你明显发现在今天同一时间段,车流量或者交通拥堵的程度比昨天的时间开始提前了,而且在一段的时间内在不停的增长,那就基本可以做一个判断。从技术上来说并不难,不仅是智能交通领域,在其他领域也一样,比较难的是怎么采集到大量的靠谱数据并且是实时的,因为很多时候过了这个时间段分析就没有价值了。时效性就需要很强大的计算能力,我可以做出实时的分析,有了这两点大数据才能真正的落地。其实分析很多的手段和思路跟你原来做的方式是一样的,比如说交通预测,也不是说现在才有,10年前就有人做了,只不过那个时候数据没有那么多,你分析出来的结果不靠谱。   您刚才说到数据分析,怎么样才能收集到这些靠谱的信息,筛选出有价值的? 姚宏宇:有很多的智能方法,从算法层面上可以实现。第一最关键的你得有足够多的量,就跟我们采样一样,要做人口普查,我们只采样一个地方肯定是不靠谱的。   类似这种预测,像电商的商品推荐也是用到了大数据的手段去分析的。我有的时候发现前两天买的东西,过了一、两个月开始向我推送刚买过的东西,为什么不在我想买的时候向我推荐。 姚宏宇:我们跟很多技术人员探讨过,尤其在网络上人的生活节奏非常快,我们最后得出一个结论,假如你去逛一个什么地方,他对你这个人理解,在你逛的这段时间一个小时之内给你推荐一个跟你相关的东西,让你出手就购买的可能性是非常大的,过了半天效果至少打了半折,过了一天基本没有效果了,因为很多女孩子买东西是很冲动的。   另外一个很大的问题是采集数据是双向性的,就以电子商务为例,比如京东,他可以根据你现在的浏览历史猜测你在看什么东西,我在跟踪你的需求和你的兴趣,后面再给你推荐,但这也涉及到隐私的问题。我跟一些互联网公司、电商公司的朋友,一些资深的架构师讨论,我问他们公司内部对隐私这个问题怎么看,他们的回答是无可奉告。   友友系统未来在云计算和大数据方面有什么样的具体规划? 姚宏宇:虽然我参加了六届,但我们这家公司真正的市场化运作和商业化运作是从2010年开始。现在走的道路已经基本上定型了,但从产品、从技术、从市场很多角度来看都在往前推进,我们会坚持的在自己这条路上往前推进。创立友友系统的时候是有一些远大的理想的,希望能够尽量的向理想靠近。   【文章来源:CSDN】  
    大数据
    2014年06月06日
  • 大数据
    大数据如何在企业落地 经常听到很多大数据的概念和趋势,但是落地而务实的介绍相对较少。笔者根据在互联网和数据领域的实际从业经验,总结出数据价值金字塔在企业运营中的应用模型。该模型对应的是企业运营中的不同层面的数据需求,下文将逐层介绍。   数据基础平台层,金字塔的最底层也是整个金字塔的基础层,如果基础层搭建不好,上面的应用层也很难在企业运营中发挥效果。没有数据或者没有高质量的数据,所有的分析都是误导,所有的数据挖掘都是错误的引导。   这一层的目标是把企业的所有用户(客户)数据用唯一的ID串起来,包括用户(客户)的画像(如性别、年龄等)、行为以及兴趣爱好等,以达到全面的了解用户(客户)的目的。要做好有三个关键:1.企业需要确定打通数据的唯一ID,有的企业是用会员注册号,有的是手机号或者身份证号等等。2.跨部门整合数据的问题。有大数据的企业通常部门都比较多,用户(客户)的各种行为和兴趣爱好数据散落在不同部门,需要企业有意识强有力的去整合;3.通过技术手段和规范手段把数据管理起来,这里解决的问题是存在数据仓库里面的数据具体的含义是什么,以及如何高效的存储和计算,涉及到数据接入系统、元数据管理系统和计算任务调度等系统。   业务运营监控层。这一层首要的是搭建业务运营的关键数据体系,在此基础上通过智能化模型开发出来的数据产品,监控关键数据的异动,并可以快速定位数据异动的原因,辅助运营决策,如果企业构建了实时计算的能力,那么很多业务运营中问题就能过及时的发现。   用户/客户体验优化层。这一层面主要是通过数据来监控和优化用户/客户的体验问题。这里面既运用了结构化的数据来监控,也运用非结构化的数据(如文本)来监控体验的问题。前者更多的是应用各种用户(客户)体验监测的模型或者工具来实现,后者更多的是通过监测微博、论坛和企业内部的客户反馈系统的文本来发现负面的口碑,以及时的优化产品或服务。   业务运营监控层和用户/客户体验优化层最终希望实现企业运营的智能化医生。这两层面做出的工具好比是体温计、血压计、B超、CT等工具,我们用这些工具就能快速透视企业运营中那一模块产生问题。   精细化运营和精细化营销层。这层面有四方面事情:1.构建基于用户的数据提取和运营工具。运营和营销人员通过简单的条件配置(如选择男性、18-24岁以及特定兴趣爱好),便可把数据(用户/客户)提取出来,对数据背后的用户/客户进行营销或运营活动;2.通过数据挖掘的手段提升客户对活动的响应(如点击率),常见的算法有决策树、逻辑回归等等;3.通过数据挖掘的手段进行客户生命周期管理。区别于传统的客户生命周期管理,大数据是可做到实时对不同生命周期的客户进行实时标记和预警,并把有效的活动当成商品一样及时的推送给不同生命周期阶段的客户;4.客户个性化推荐。主要是用个性化推荐算法实现根据用户不同的兴趣和需求推荐不同的商品或者产品,以实现推广资源效率和效果最大化。   数据辅助市场传播。这一层面要做到通过“性感”的数据分析和挖掘来辅助产品进行传播,主要有两种实现方式:一种是好玩的数据信息图谱,相信大家都不喜欢看产品的公关软文,而更喜欢看好玩的内容。尤其是在网络上传播,10-29岁的网民占所有中国网民的一半多(55%,CNNIC 2013年数据),而这些用户偏年轻、偏“屌丝”,所以这些受众更喜欢“性感”的内容。   淘宝曾经通过统计其购买胸罩C-Cup以上的用户地区分布,发现西安的网民相对比例最多,并发布了这个数据,说西安女生胸部最大,引起不少“屌丝”网民传播。而腾讯在今年3月份则基于8亿多活跃用户首次披露“逃离北上广”数据图,发现11%的用户在春节后逃离了北上广。   数据辅助市场传播的另外一种方式是直接做成数据产品对外使用。比如,百度指数或百度过年期间做的迁徙地图。百度东莞8小时迁徙图的数据中可以看到,离开东莞后,去香港的人最多。那我们是不是可以简单地得到一个信息,从香港去东莞的人最多……   业务经营分析和战略分析层。这两个层面在这里就不多说了,因为这两个层面更多的是跟很多传统的战略分析、经营分析层面的方法论相似,最大的差异是数据来自于大数据。但这里面有两方面需要注意:   1.有很多企业错误的把“业务运营监控层”和“用户/客户体验优化层”做的事情放在经营分析或者战略分析层来做。我认为“业务运营监控层”和“用户/客户体验优化层”更多的是通过机器、算法和数据产品来实现的,“战略分析”、“经营分析”更多的是人来实现。很多企业把机器能做的事情交给了人来做,这样导致发现问题的效率较低。我的建议是,能用机器做的事情尽量用机器来做好“业务运营监控层”和“用户/客户体验优化层”,在此基础上让人来做人类更擅长的经验分析和战略判断;   2. 在变化极快的互联网领域,在业务的战略方向选择上,数据很难预测业务的大发展方向,如果有人说微信这个大方向是通过数据挖掘和分析研究出来,估计产品经理们会笑了。从本质上来说,数据在精细化营销和运营中能起到比较好的作用,但在产品策划、广告创意等创意性的事情上,起到的作用较小。但一旦产品创意出来,就可以通过灰度测试,数据验证效果了。   我认为,如果能利用数据通过机器、算法、或者人工的手段,把现状和问题及原因洞悉的特别清楚已经很不错了,这样决策层就可以基于这些情况进行更好的“拍脑袋”决策了。   总之,本文只是提纲挈领的介绍了大数据在企业的落地方案。还有更多的细节和方法论未能展示出来。另外,大数据在不同行业的落地也许有较大的差异。因此,欢迎各行业同仁与我交流探讨。   【文章作者:傅志华】  
    大数据
    2014年06月05日
  • 大数据
    Cloudera收购大数据加密初创企业Gazzang Hadoop 供应商Cloudera刚刚收购了专门研究下一代数据存储环境加密技术技术的初创企业Gazzang,但交易细节并未透露。这是 Cloudera 的第一笔重大收购。   Gazzang 成立于 2010 年,总部位于奥斯丁。Gazzang 提供了块级的加密技术,其产品包括 Hadoop 环境下的一款数据加密产品及访问权限管理产品。后者可以控制对键值、令牌等数据访问授权协议的访问。   对于志在成为企业数据中枢的 Cloudera 来说,有了 Gazzang 的安全技术支持,无疑可以提高其客户对环境安全的信心。   除了支持 Hadoop 环境以外,Gazzang 的加密技术还支持 Cassandra、MongoDB、Couchbase、Amazon Elastic MapReduce 等下一代的数据存储环境。   Gazzang 此前曾获 960 万美元融资。被收购后,Gazzang 的总部将变成名为 Cloudera Center for Security Excellence 的安全研究中心。   不到一个月前,Cloudera 的竞争对手Hortonworks也收购了另一家安全初创企业 XA Secure,这反映出安全对提高 Hadoop 技术部署的重要性。   【文章来源:36氪】
    大数据
    2014年06月05日
  • 大数据
    大数据初创企业Concurrent获千万美元融资 大数据初创企业Concurrent刚刚获得了 1000 万美元的新一轮融资。   大数据方兴未艾,Hadoop 则是大数据最流行的基础平台。围绕着 Hadoop 进行创新的初创企业有很多。如 Trifacta 做的是 Hadoop 的数据清理,Platfora 做的是基于 Hadoop 数据的商业智能, Splice Machine 瞄准实时负载处理,而 Hadoop 的分销商 Cloudera 和 Hortonworks 则致力于该数据库的进一步普及。   而 Concurrent 则是企业大数据应用平台公司,成立于 2008 年。该公司是流行的大数据应用开发工具 Cascading 的母公司。Cascading 可简化基于 Apache Hadoop 的大数据应用的开发、部署和管理,其月下载量超过 75000。   迄今为止,目前使用 Cascading 的公司超过 7000 家,其中有近 10 家付费客户,包括 Twitter、eBay、The Climate Corporation 及 Esty 等。4 个月前 Concurrent 推出了第一款商业产品 Driven,用于 Cascading 应用的管理和监控。   此轮融资由 Bain Capital Ventures 领投,Rembrandt Ventures 和 True Ventures 参投。融资所得将用于继续研发及客户拓展。此轮融资过后,其总融资已达 1495 万美元。   [消息来源:venturebeat.com]  
    大数据
    2014年06月03日
  • 大数据
    李彦宏:企业级软件与大数据的新玩法,未来都会产生巨大价值 2014年百度联盟论坛今日在黄山举行。百度CEO李彦宏在大会上对企业级软件市场、大数据、移动生态等都发表了自己的见解。 李彦宏指出了业界或将演变的两个趋势:一是新型企业级软件,不仅提升企业内部效率的,更能帮助解决企业从内部到外部链接的问题;二是有价值的慢数据,不是无用的信息爆炸,而是有价值的慢数据,可以预测个性化信息的数据。 企业级软件将是大市场 他认为,企业级软件并非是新东西,但未来会变得很新,会是非常大的市场。 李彦宏说,在美国企业级软件市场已经诞生了很大知名大公司,比如IBM、甲骨文、微软,但中国还没有出现大的企业级软件企业,这主要由两方面原因造成,其一是过去中国劳动力成本很低,使用企业级软件的效应并没有起来,其二是很多企业老板并不用电脑,不会用PC提升效率。 目前制约中国企业级软件发展的这两个因素正在发生改变,中国劳动力成本上升非常快,每个老板都拿着智能手机,可以随时随地的上网,自然会想到用企业级软件提升公司效率。 李彦宏又以91无线为例说明新型企业软件的运用。 “去年百度收购91无线,在与高管打交道过程中感到吃惊的是,发现他们名片上电子邮件地址都不一样,原来他们内部使用自己研发的IM,可以实现ERP的基本功能。” 李彦宏认为,企业级软件仅仅接管过去的工作还不够,新的企业级软件应该能解决更多问题,不仅是企业内部流程的问题,而且是由内部到外部的问题,这些都是过去企业级软件无法解决的问题。 他认为这代表了一种方向,例如微软已经发布了基于云端的Office365软件。 同时,在传统企业互联网化的道路上,通过运用企业级软件做决策,能够极大提升效率。 “青岛航空把卖票体系包给了去哪儿通过其软件做决策,提高上座率以及价钱,使得公司收益最大化。不仅仅是航空领域,很多领域都有问题,比如餐馆、机票、酒店、歌厅、发廊等,都是我国未来提升消费力、可以通过企业级软件提升效率的领域。提升效率给未来带来巨大的机会。” 结合个人数据挖掘的产品将会产生更大价值 第二个趋势和大数据有关,但并非是一半以上以上的大数据,而是新型的慢数据,涉及到个人的信息挖掘和预测。 “我们看到的很多数据都是没价值的,很多传统产业说自己的数据值钱,但是其实百度在技术上有多年积累,发现技术已经准备好,但真正想要的数据并没有,收集上来的很多数据并没有价值。” 李彦宏认为:新一代的数据收集,不仅是数据工具,数据本身都会有很大的发展。未来科技发展将与大数据有很大关系,如果将新的企业软件和新的大数据结合,再引用人工智能等技术,未来若干年都将有非常好的发展前景。 对于大数据未来的应用生态,李彦宏说,未来真正的大数据积累应该是可以提前预测人的疾病情况,因为疾病不是一天出现的,而是天长日久累计出来的,各种数据一定发生变化。在李彦宏看来,很多手环等产品并没有能力搜集这些数据,如果能立刻告知有价值的信息,并坚持这样做,那将会产生非常大的价值。 “百度也做智能手环,智能手环能够测量血压,测试跑了多远,但这些积累的数据并不能实现治病。难度不在于发明新的硬件,而是找到什么数据是有价值的。要去找数据,去找知识、经验、跨领域的思考能力。这个领域恰恰是机会最多的。” 【文章来源:虎嗅网】
    大数据
    2014年05月30日
  • 大数据
    大数据时代企业人力资源战略有哪些变革?如何变革? “信息社会”的确立标志着大数据时代的到来,也标志着一场生活、工作与思维的大变革。就如维克托·迈尔·舍恩伯格在《大数据时代》书中所写,“大数据开启了一次重大的时代转型。就像望远镜让我们能够感受宇宙,显微镜让我们能够观测微生物一样,大数据正在改变我们的生活以及理解世界的方式,成为新发明和新服务的源泉,而更多的改变正蓄势待发……”毫无疑问,汹涌来袭的大数据浪潮,也是加速企业创新和变革的重要利器。   长期以来,企业多数招聘、人员晋升和激励都是基于主管感觉、个人经验和企业价值观体系。但是企业真知道优秀销售人员获得出色业绩的原因吗?我们真的明白为什么有的领导者能够带领公司向前持久发展而有些则昙花一现吗?我们真的能预测一位应聘者能够胜任新的岗位吗?遗憾的是,人力资源经理和企业高管们对上述问题从来就没有明确的答案。   可喜的是多数企业人力资源管理已从单凭经验的模式逐步向依靠事实数据的模式转型。数据对于企业的HR来讲并不陌生,从最开始通过招聘搜集员工信息,到能力测评,以及年度、季度的绩效考评,日积月累的数据不可谓不大,但是真正将这些数据整理分析,提供给人才管理者做决策的企业却并不多见。这时,新的问题又出现了,我们如何充分利用这些数据以便更有效地支持人力资源管理工作?   德勤公司人才管理顾问Bersin就这个问题给出了答案。如今大多数企业都拥有大量的人力资源和员工业绩数据,除了具备必要的分析经验和工具外,最重要的第一步是提出正确的问题。但是企业面对海量的人力资源信息无从下手,而这些数据通常并不能直接拿来用,这便需要企业把相关数据提取出来。最新的HR系统研究表明,大企业的人力资源系统中的简历格式往往超过十种,而核心系统也至少6年都没有升级了。因此将这些数据提取出来是非常费力的一件事情。然而能够提出正确的问题,提取数据,这些远远是不够的。企业还需要展开数据分析,这需要数据分析、清洗、统计、可视化和解决问题的数据分析人才,大多数HR经理们都不具备数据分析经验,因此企业需要招聘相关专家与人力资源一起分析数据。   根据市场研究机构Gartner的预测,2015年大数据分析产品和服务的市场规模将高达3.7万亿美元,并产生440万个新的就业机会。目前企业界讨论最多的依然是大数据在市场营销和消费市场研究方面的应用。但是根据德勤人才管理顾问Bersin的分析,大数据在人力资源领域的市场潜力更大,也就是所谓人才分析(Talent Analytics)。   在谷歌,人力资源部门被称为“People Operations”,简称“POPS”。POPS部门的核心是一项复杂的员工数据追踪计划,目的是通过数据分析更好地改善企业的人力资源管理。同时,谷歌还聘用了社会科学家来对这家公司进行研究。例如,设计出更科学的的薪酬福利计划。此外,社会科学家和人力资源团队组成了PiLab(People Innovation Lab,即人力和创新实验室)团队,通过数十项有关员工的实验,找出有关管理大型公司最好的方式。例如,POPS部门旗下“人员分析”团队通过数据分析精简了谷歌的招聘流程。除了招聘企业还可以采用大数据技术改善人力资源管理。企业在进行项目设计尤其是培训体系的设计时,可以利用大数据技术找出员工能力差距、知识和技能的差距。随着技术的发展,员工也接触和运用了越来越多的技术设备进行学习,当员工使用不同的技术设备时,通过分析计算处理的海量数据,企业可以找出员工的需求以及喜欢的学习方式。   资深项目数据分析师指出“不仅企业人力资源管理需要数据分析的技能,据普华永道最近发布的一份报告指出,数据分析将成为企业知识工人的必备技能。企业需要具备必要的分析工具和经验。”简而言之,通过大数据,管理者可以将一切量化,从而对公司业务尽在掌握,进而提升决策质量和业绩表现。   随着业务自动化的实现,企业需要处理的信息正以从未遇见过的规模和渠道涌现。那么,企业如何避免对大数据的盲目投资,争取更有效地利用所收集的数据做出正确合理的决策成为首当其冲的任务。首先,企业必须给员工提供相应的培训,提高员工对数据的洞察力以及有效地将信息与决策制定相结合的能力。而集中授课是企业主要的培训方式,员工们可通过对项目数据分析师(CPDA)课程的系统学习掌握该项能力。   此外,还有一点值得引起企业管理者的注意,那就是企业经理人需要重新审视自己在数据管理中的角色。相当一部分人的经理人要么认为数据管理是IT部门的工作,要么认为他们自己并非内行,无法参与到数据在企业内部的共享过程。然而,事实上,经理人应该认识到,企业如果在数据上的投资回报不佳,那很可能是由于企业缺乏对数据应有的理解。他们必须向管理企业的人才、资本和品牌那样有效的管理信息,重视信息在企业内部的共享和流通,提高整个企业对数据的理解和分析判断的能力,而这些能力恰恰是通过经验无法获得,只能通过系统的、专业的项目数据分析培训获得。   LinkedIn公司的联合创始人兼当时的CEO,Reid Hoffman相信数据分析的强大力量,给予了Jonathan Goldman高度自主权。Goldman根据用户在网站上注册时填写的资料,制订了一套向每个用户提供三个最想与之联系的其他用户的广告。几天后,其点击率非常之高。之后,广告——“你可能认识的人”便被列为标准功能,并使LinkedIn飞速成长。Goldman的例子很好的说明企业中数据分析的关键作用。   而今,数据分析能力已经越大被众多行业企业所看重,Ovum最新调查显示,在北美、欧洲和亚太地区将近有半数以上的企业将在不久的将来投资大数据分析。这一现象并不难理解,全球企业与个人的交互数据正在以爆炸性的速度增长,一些企业预计,明年他们数据库的数据量至少会有10%~20%的增长。人才是企业的基石,人力资源战略将随着大数据时代的到来发生结构性变化,兼具项目经验和数据能力的核心人才正成为keyman,您的企业是否已经做好从在这大数据时代掘金的准备了?   【文章来源:人才管理SaaS研究】
    大数据
    2014年05月28日
  • 大数据
    人力资源管理中的“大数据” 人是复杂的,但这并不意味着管理者无从对员工行为做出合理而准确的分析。 人力资源部门一直在努力提升自己的位置和重要性。这点从人力资源管理工作的命名中可见一斑:最初叫做人事管理,后来发展为人力资源管理,再后来变成战略人力资源管理。 从人事管理到人力资源管理意味着工作内容不再局限于基本的文书工作,纯粹的辅助性、行政性工作。而加上“战略”两个字,说明人力资源部门的作用由被动到更为主动、从支持公司战略到从一开始就参与到公司战略制定当中去,许多公司设立首席人才官一职,也说明了人才管理在企业中的战略性作用。 但实际情况并不乐观。正如在《你真的了解员工吗?》一文中所谈到的,人力资源部门在很多时候被和行政部门画上等号,更有甚者,人力资源部门主要承担着原来工会的工作。掌握着公司最核心资产——人的这样一个重要部门,为什么会给人们留下这样的固有印象? 要把一群人管好,并朝着同一个伟大的目标努力并不是一件容易的事。为什么呢?是不是因为员工行为太难预测?又或者是影响员工行为的因素太多,难以确定因果关系?或者出于种种顾虑,员工不愿告诉管理者其真实想法? 这些都有可能。但管理者的重要工作之一就是要能理解员工行为、然后管理并预测员工行为。 如何从日常工作中理解甚至预测员工行为及其行为背后的逻辑?足够的经验可以给我们一些洞察,但那是远远不够的。比如我们常常听到管理者抱怨90后员工难管?尤其是在中国这个变化非常快的社会中,过去的经验甚至可能成为现在的束缚。 因此,基于数据的人才分析法显得尤为重要。 从解决问题到主动优化 基于数据的人才分析法可以帮助企业做到以前做不到的事情。 以前,往往是管理者发现一个问题,然后用一系列方法找到背后的原因,然后再制定解决方案。而人才分析法基于更扎实的数据,能更精确地找到问题根源,但这还不是人才分析法的全部,它还能起到防微杜渐,优化现有工作流程的作用。 举个例子:一家公司在年终总结时,HR部门按照惯例对员工做了工作满意度调查。调查结果显示,许多员工都提出email沟通不畅的问题。看到这个结果,HR部门就要开始做进一步诊断,到底哪个环节沟通不畅?要回答这个问题并不容易。首先,员工自己可能也不清楚问题出在哪里;其次,即使他们知道,出于种种顾虑可能也不会真实表达出来。 但人才分析法可以让数据说话。比如,通过对员工email往来方向和频率的分析(不涉及邮件内容),可以看到信息流的方向,观察到信息流在哪一个人或者哪几个人那里受到阻挠,他们就是解决email沟通低效的关键所在。这就是一个通过数据解决问题的例子。 而在此基础上,管理者可以识别哪些员工是信息中心,哪些人是大家都信赖的专家,而这些“人们认可的知识专家”很有可能尚未被公司发掘。于是就暴露出如何更好地匹配员工专长和职位需求的问题,这也是提高个人绩效和组织绩效的机会。这就是根据数据进行人才管理优化的例子。 从这个例子中,大家很容易感受到,人才分析法并不只是人力资源部门的事。任何一个管理者都能从人才分析法带来的洞察中获益,从而找到如何提高个人、团队、部门以及公司工作效率的契机。 渐进性变革 人的天性是风险规避,因而一听到“变革”或者“改革”,许多员工都不由自主地产生恐慌或者抵触情绪,因为变化意味着不确定性,而不确定性又意味着风险,变化越大、不确定性也越高。 然而,在许多时候,变革是不可避免的。许多企业进行伤筋动骨的大改革,就是因为开始时对刚出现的小问题视而不见,导致问题逐步升级,最终到了不大改不行的地步,而这样的组织,往往存在一种惰性,使得一蹴而就的改革实难成功,企业也会因此陷入恶性循环。 而基于数据的人才分析法可以帮助企业从大量日常运营数据中发现小问题,做到持续改进。这种持续改进可以让组织保持不断学习、不断优化的状态,成为真正的学习型组织。 对企业人才的要求 要利用好人才分析法,需要怎样的技能? 无需讳言,大量的数据可能会让人陷入迷茫。没有相关性、没有洞察力的数据毫无价值。如何解读数据处理结果,如何将结果转化为为企业增值的方案?答案是判断力,这才是管理者们需要掌握的最核心技能! 中国拥有大量STEM(science,technology,engineering, mathematics)背景的专业人员,他们精通数据和数据分析,能够建立漂亮的数学模型,这些都为中国企业今后提升分析能力提供了人才保障。但光有分析型人才还远远不够,还需要配合企业家软性的商业洞察力,唯有如此,才能将海量数据转化为有意义的商业洞察,从而为公司成长提供源源不断的支持。 事实上,人才分析法就像一面镜子,可以帮助我们从不同角度,对个人、团队、部门、企业整体进行持续性诊断和优化。因此,人才分析法不仅可以令人力资源部门获益,还能够惠及企业内的所有利益相关方。 作者简介 邱静 是埃森哲卓越绩效研究院高级研究员,常驻北京。
    大数据
    2014年05月27日
  • 大数据
    大数据概念是怎么产生?   1.“大数据”的名称来自于未来学家托夫勒所著的《第三次浪潮》 尽管“大数据”这个词直到最近才受到人们的高度关注,但早在1980年,著名未来学家托夫勒在其所著的《第三次浪潮》中就热情地将“大数据”称颂为 “第三次浪潮的华彩乐章”。《自然》杂志在2008年9月推出了名为“大数据”的封面专栏。从2009年开始“大数据”才成为互联网技术行业中的热门词汇。   2.最早应用“大数据”的是麦肯锡公司(McKinsey) 对“大数据”进行收集和分析的设想,来自于世界著名的管理咨询公司麦肯锡公司。麦肯锡公司看到了各种网络平台记录的个人海量信息具备潜在的商业价值,于是投入大量人力物力进行调研,在2011年6月发布了关于“大数据”的报告,该报告对“大数据”的影响、关键技术和应用领域等都进行了详尽的分析。麦肯锡的报告得到了金融界的高度重视,而后逐渐受到了各行各业关注。     3.“大数据”的特点由维克托·迈尔-舍恩伯格和肯尼斯·库克耶在《“大数据”时代》中提出 维克托·迈尔-舍恩伯格和肯尼斯·克耶编写的《大数据时代》中提出:“大数据”的4V特点:Volume(数据量大)、Velocity(输入和处理速度快)、Variety(数据多样性)、Value(价值密度低)。这些特点基本上得到了大家的认可,凡提到“大数据”特点的文章,基本上采用了这4 个特点。   4.在云计算出现之后“大数据”才凸显其真正价值 自从有了云计算服务器,“大数据”才有了可以运行的轨道,才可以实现其真正的价值。有人就形象地将各种“大数据”的应用比作一辆辆“汽车”,支撑起这些“汽车”运行的“高速公路”就是云计算。最著名的实例就是Google搜索引擎。面对海量Web数据,Google于2006年首先提出云计算的概念。支撑Google内部各种“大数据”应用的,正是Google公司自行研发的云计算服务器。   众说纷纭的表达 《大数据时代》的作者维克托·迈尔·舍恩伯格解释:了解什么是“大数据”的定义非常关键。首先要明确的是,“大数据”并不是很大或者很多数据。根据维克托在书中的描述,“大数据”并不是一部分数据样本,而是关于某个现象的所有数据。第二点,由于掌握了关于某个现象的所有数据,那么在统计时就能接受更多不准确的信息。第三,“大数据”的分析着重在了解“什么”而不是“为什么”。比如人们可以通过各种相关数据来了解未来将会发生什么,而不是这些事情发生的原因。要探寻原因会更难,很多时候,知道会发生什么已经足够了。以上这些就是“大数据”的核心,有足够多的数据,允许数据中存在不准确的信息和不去探寻事件发生的原因而是探寻会发生什么事件。   维基百科对“大数据”的解读是:“大数据”(Bigdata),或称巨量数据、海量数据、大资料,指的是所涉及的数据量规模巨大到无法通过人工,在合理时间内达到截取、管理、处理、并整理成为人类所能解读的信息。   百度百科对“大数据”的定义为:“大数据”(bigdata),或称巨量资料,指的是所涉及的资料量规模巨大到无法透过目前主流软件工具,在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。   传媒专家刘建明教授认为:“大数据”同信息是不可分离的,是指信息浩大数量的统计与技术运作。作为人类认知社会方法的一次飞跃,“大数据”技术将给企业运营、政府管理和媒体传播的科学化创造有效机制。   “大数据”的基本判断标准 什么样的数据才是“大数据”?透过层层的迷雾和众说纷纭,可以讲:有了云计算服务器才有了“大数据”应用的价值。 维克托曾说过:“假设你要测量一个葡萄园的温度,但是整个葡萄园只有一个温度测量仪,那你就必须确保这个测试仪是精确的而且能够一直工作。反过来,如果每100棵葡萄树就有一个测量仪,有些测试的数据可能会是错误的,也可能会更加混乱,但众多的读数合起来就可以提供一个更加准确的结果。因为这里面包含了更多的数据,而它提供的价值不仅能抵消掉错误数据造成的影响,还能提供更多的额外价值。现在想想增加读数频率的这个事情。如果每隔一分钟就测量一下温度,十次甚至百次的话,不仅读数可能出错,连时间先后都可能搞混。试想,如果信息在网络中流动,那么一条记录很可能在传输过程中被延迟,在其到达的时候已经没有意义了,甚至干脆在奔涌的信息洪流中彻底迷失。虽然得到的信息不再准确,但收集到的数量庞大的信息让我们放弃严格精确的选择变得更为划算……为了高频率而放弃了精确性,结果观察到了一些本可能被错过的变化。虽然如果能够下足够多的工夫,这些错误是可以避免的,但在很多情况下,与致力于避免错误相比,对错误的包容会带来更多好处。为了规模的扩大,我们接受适量错误的存在。”其中描述葡萄园测量仪采集的数据就是大数据。 大数据实质上是全面、混杂的并且具有数据量大、输入和处理速度快、数据多样性、价值密度低特点的数据。   【文章来源:199it】  
    大数据
    2014年05月26日