• 工作分工
    如何进行员工细分和定制员工体验 "一刀切 "的时代已经过去了。对员工进行细分是非常重要的,尤其是在经济困难时期,因为它能让你尽可能地提高效率和效益,将资源和举措提供给那些最有可能做出反应/受益的人。 需要指出的是,对行为进行分割可以说是大多数预测分析和机器学习方法所使用的方法,其目的是根据特征对行为进行分类。树之类的技术可以帮助确定行动的目标群体。   为什么细分市场应该是你的人力资源方法的重要组成部分? 在许多公司里,对待员工的方式是一刀切的。无论员工的需求或愿望如何,他们都会得到同样的福利、职业发展和工作条件。例如,无论员工是否有孩子,福利待遇都可能包括托儿安排。 另外,为解决问题而做出的改变,如职业发展的改变或对主管的管理辅导,也适用于每一个人,无论是否需要或希望。我们可以认为调查行动规划就属于这一类,通常会对可能表现过剩的群体实行层层优先。 显然,这种方法造成了大量的资源浪费,而且很少能满足任何个人的理想要求(尽管满足这些要求的成本可能更低)。 一些人力资源团队提供了一定程度的差异化,尽管这通常是通过相对粗糙的衡量标准,如等级。即使这种方法,有效地增加了更高级别的福利待遇的规模,从奖励的角度来看是有意义的,但它仍然是粗糙的。员工可能更喜欢不同的平衡的产品。 作为个人,我们都会喜欢更符合自己需求的定制化待遇。标准的经济理论表明,如果个人不得不接受捆绑式的产品,往往会损失大量的 "效用"。 满足这一要求的一种方法是根据一定的成本为每个员工提供完全个性化的产品。遗憾的是,这样做的成本会很高。另一种方法是提供一个选择菜单,给员工一个 "预算 "来分配。这种方法比较好,但只适用于容易分配成本的项目。 细分则提供了一种不同的方法。通过细分,我们识别出有相似需求的员工群体,这样我们就可以设计和提供有个人感觉的方法,但又能提供规模化的服务,使其能够以有效的方式提供。   员工是工作的消费者 我们一直认为,应该从企业的消费者部分采用理念和技术来管理员工。 雇主要想有效竞争,就必须让自己比竞争对手更贴近员工。 长期以来,市场营销通过了解和衡量消费者的需求来解决这样一个问题。对消费者行为的研究为人们何时、为何、如何以及在何处购买或不购买产品或服务提供了答案。这其中的核心是一个假设,即个人寻求其总效用的最大化。由于时间和金钱是两个关键的限制因素,他们希望如何平衡工作和非工作部分的生活必须相互依赖。 个人思考如何处理生活中工作和非工作部分之间的这种关系(即所谓的工作/生活平衡),本质上是个人的。我们不能假设所有的个人,都在努力提高自己的职业水平,努力推进一种社会信仰,甚至只是努力提供资源来支持自己的生活方式。我们确实需要获得数据来了解他们的需求。   通过调查数据对需求进行细分 在组织拥有的所有关于员工的数据中,了解需求的最佳来源是调查数据,最关键的是对文本中提供的开放性问题的定性回答。 长期以来,营销人员一直在使用复杂的方法来实现这一点,最著名的是使用 "离散选择 "实验。在这些实验中,受访者必须对一种产品进行权衡,以获得更有可能满足其需求的东西。这种实验的优点是,受访者不能说他们什么都想要,这对大多数人来说是不现实的。 做好这些实验是昂贵而耗时的。我们越来越多地看到的是,其他数据源,尤其是大量的文本意见,可以提供一套与最佳运行的离散选择练习非常相似的结果,但成本却只有很小的一部分。你可能要为离散选择实验多支付20倍的费用,但却能多获得2%的准确性。 典型的员工调查包括两个问题,这两个问题可以为这些细分工作提供所需的数据。 在公司工作最棒的地方是什么? 我们可以改变什么来改善您在公司的工作体验? 可以专门针对细分提出不同的问题对。是否这样做其实取决于你做细分的目的。上述问题可能提供了最广泛的用例。   对数据进行分类 任何细分工作的第一部分是将成千上万的答案与分类模型进行映射,有效地将它们归为类似的主题。 最好的方法是建立一个归纳模型--在这个模型中,分类中的主题是根据你的数据中提到的主题建立的。这可以确保你的分类模型尽可能地接近你的数据的实际情况。 第二种方法是,从建立在大量数据上的一般分类模型开始,并添加任何在数据中出现但在模型中没有出现的类别。这种方法,有效地对任何未被演绎模型充分编码的数据使用归纳方法,可以提供接近于完全归纳方法的准确性。 最后一种方法--使用完全归纳法--当模型本身是使用一个大型跨公司数据集从归纳法自下而上建立的时候,效果最好。这些模型通常可以通过拥有大量(100多个)类别来识别。要警惕与其他调查问题整齐匹配的模型,因为它很可能是假设主导的。   根据讨论的主题进行分类 在对答复进行编码后,有大量的方法对其进行分割。分段依赖于一种称为 "聚类 "的算法技术,它与人力资源领域使用的大多数其他机器学习技术不同,因为它是无监督的,也就是说,它所发现的模式是从数据中学习的,而不存在它们试图预测的结果变量(如流失)。 我们用于分割的方法是使用一个概率模型,即同一个人被提及的两个主题有多异常常见,然后使用这些概率来创建一个主题之间互动的加权网络。实际上就是把主题(需求)归为一组,这些主题的相似性不是靠意义,而是靠个体分享这些主题的可能性有多大。 在网络分析中,有许多聚类方法--用网络术语来说就是 "社区检测"--你就可以用这些方法来发现相对清晰的群体。与一些聚类算法不同的是,这些社区检测方法通常会确定理想的段数(有些聚类技术需要分析师提前决定所需的聚类数量)。 我们可以将结果绘制成一张图,在图中显示社区。 有了合适的数据,有了足够的反应,就可以用这种方法建立好与员工需求相关的员工细分市场。   将细分市场与员工特征进行概率映射 当你根据需求建立了你的细分市场后,确定哪种类型的人最有可能适合哪些细分市场是很有用的。同样,我们可以使用各种机器学习方法来完成这个任务。 这些方法通常符合类似的模式。首先,你根据每个受访者的评论最适合的基于需求的细分市场对其进行分类。然后,您根据您所掌握的有关个人的其他数据(不是文本问题)建立一个预测模型。它可以包括其他调查问题、人口统计信息、组织类型数据、绩效数据等。重要的是使用可解释的机器学习方法(即它产生了一组人类容易理解的关系)。   对其他数据进行分割 我在上面提到,有时将基于需求的集群从文本分类链接到其他调查问题是很有用的。 你会发现的一个挑战是,在典型的调查中,员工通常会以非常相似的方式对问题进行分组。更复杂的是,员工调查数据--尤其是李克特数据--并不是非常丰富。每个问题往往只有5个可能的答案。 克服这一问题的方法是使用分割技术将问题聚在一起。然后,我们可以建立这些聚类的索引,并根据分数的分布来观察员工的回答,例如识别出每组中处于最高或最低四分位数的员工。 同样,我们在链接问题的图上使用社区检测来识别这些聚类。为了解决这种数据类型的一些常见问题,我们使用问题之间的部分相关性。 通常情况下,这些聚类将显示出与您的调查中的主要类别相似的组,尽管有一些期望。然而,通过以这种方式创建调查问题群组,更容易找到有意义的员工群体,可用于下一步--将这些细分市场变为现实。   构建角色 角色是一套长期以来被应用于使不同客户群体活起来的技术。通过使用角色,我们可以使我们的研究结果人性化,使他们更容易亲近,从而产生共鸣。 创建角色所需的大部分经验数据都可以从上述分析中获得。文本上的聚类提供了具有相似需求的群体。其他特征与这些群体的映射有助于塑造哪些类型的人可能适合每个群体。 还可以使用各种信息提取技术来确定回答中的引语,这些引语最简单地说明了每个角色的需求。 因此,创建角色应该以数据为主导,而且这种整理工作在很大程度上可以自动化。然而,我们的经验是,这些数据无论看起来多么 "完整",都应该只作为创建细分市场的输入。一个团队从数据中发展出细分市场的过程,对于确保角色在组织内被接受和使用是非常重要的。   制定行动计划和确定细分市场的优先级 并非你的每一个细分市场都有同样的价值。同样,也不是每一个人的需求都那么容易解决,或者成本很高。 然而,考虑到上述步骤的输出,确定一系列行动将容易得多。将不同的群体的需求归纳在一起,可以确保你在如何提供这些需求时更加一体化,通常可以将它们有效地组合在一起。将需求与特征进行映射,然后发展角色,也可以使你更容易地将干预措施瞄准你的相关群体,从而降低成本并提高有效性。 在许多情况下,创建对某些群体有吸引力而对其他群体没有吸引力的产品是很重要的。通过这种方式,可以创建员工 "套餐",这些套餐对一个或几个细分市场是可取的,但那些有不同需求的人可以自我选择出来。只要有一个更有吸引力的选择(即不是这样或那样),你就有可能提高员工的整体满意度,同时减少浪费。   转向角色驱动的人力资源 自2010年开始,我们一直坚信,将细分和角色应用到员工身上,是以高效和有效的方式提供强大的员工体验的关键方法。它们可以成为提高人力资源活动投资回报率的最简单的改变之一。 高级文本分析的出现可以找到具有相似需求的员工群体,这极大地提高了转向基于细分的方法的便利性。大公司不再需要进行昂贵而及时的练习来构建强大的细分市场。现在,利用可能已经被组织掌握的数据,可以在几天内构建好的细分市场。   最后要提醒的是。任何类型的细分市场都不是一成不变的。随着人们生活的变化,他们会在不同的细分市场之间移动。一个年轻的毕业生与朋友一起生活,很可能与几年后为人父母时的需求不同。即使是细分需求也会随着时间的推移,随着替代品和环境的变化而演变(缓慢)。分段模型,像任何模型一样,需要维护和更新。   作者:安德鲁·马瑞特 以上由聪明的AI翻译完成,仅供参考。
    工作分工
    2020年11月13日