• 改变
    【PA】人力资本分析(People Analytics)如何改变人力资源? 人力资源部门可以通过基本的数据知识和分析培训,在转型的过程中发挥改变游戏规则的作用。 必须对员工进行培训,让他们了解数据洞察力是如何产生的,如何应用这些数据,如何确定目标受众和优先解决的业务问题。 人力资源正经历着从事务性角色到转型角色的重大转变。数字化转型促使许多组织投资于有效利用数据的技术,而人力资源部门也不甘落后。人力资本分析(People Analytics )法收集、清理和理解人才数据,通过统计洞察力来做出关于人员的正确决策,进一步改善业务成果。它是一个从过去发生的事情到未来可能发生的事情的旅程。 根据LinkedIn 2020年全球人才趋势 - "人力资本分析(People Analytics ) "是四大趋势之一,改变了你吸引和保留人才的方式。 在COVID19期间,人力资本分析(People Analytics )通过迎合员工的福祉、安全、远程工作的影响以及他们返回工作场所,帮助围绕员工体验做出关键决策。随着对什么使员工快乐、什么使他们留下或离开、什么提高生产力或什么创造参与度等信息的大量需求,People Analytics的增长是不可避免的。它是人力资源专业人士想要学习的紧缺技能之一。 除了像SPSS、R或Excel这样的统计工具提供基本的相关性、回归性等,人工智能和机器学习的先进技术正在迅速改变数据分析。它使收集、存储和处理大量数据成为可能,以确定模式和趋势,为困难问题提供解决方案,并预测未来的结果。像联合利华、微软、谷歌、IBM等公司都广泛使用先进的人力资本分析(People Analytics )技术来管理他们的劳动力,以便在人才竞争中保持领先地位。 为什么我们HR需要人力资本分析(People Analytics )? 人力资源部门需要从指标转向洞察力,以改善人员和业务决策,就像报告数字减员率以预测减员,从而及时采取纠正措施。 以下是它如何产生作用的 招聘 除了运营报告,由AI和ML支持的数据驱动的招聘可以改善招聘指标,如招聘时间、招聘成本和招聘质量。它可以通过识别最有效的来源或渠道--招聘门户网站、LinkedIn、职业网页、员工推荐、社交媒体等,来优化招聘成本。它可以根据过去的资历和评估分数预测候选人的未来表现,或者通过考虑社交媒体帖子、技能组合、经验、推荐等数据点,预测被动候选人在接触时的流失率。您可以通过聊天机器人形式的24*7数字援助来提高您的雇主品牌和候选人体验,通过使用自然语言处理来回答关于角色和公司的常见问题,从而降低申请失败率。使用基于数据点的ML算法,可以实现自动寻找、匹配和排名候选人。 学习与发展 随着对灵活的劳动力的需求,培养员工的能力已成为所有组织的优先事项。随着对数字化学习的重视,Covid之后,LMS和其他人工智能支持的工具已经出现,为学习和发展的绩效测量和评估提供报告和分析。人力资本分析(People Analytics )可以帮助推荐一个基于技能差距、职业道路、或员工技能提升、技能再提升、或跨职能技能需求的个性化培训计划。 员工在LMS上的登录次数或时间可以表明员工对推荐项目的参与程度,或者哪些课程对员工的技能组合有价值。学习内容和体验的质量可以通过参考员工的反馈、参会人数、测试分数、完成率、首选的授课模式--演讲、教师授课、电子学习等来持续评估。学习数据的洞察力可以进一步帮助改善员工的学习体验。 持续的绩效管理、参与和保留 用于评估绩效的实时数据分析使管理者能够不断向员工提供及时的反馈,确定技能差距并促进其职业发展。员工的参与度可以通过利用从员工满意度或参与度调查、绩效评级、缺勤、离职率或留任面试中提取的数据来确定。 你可以通过与年龄、在公司和角色的任期、参与度调查结果、报酬、自上次晋升以来的年限、绩效评级、工作满意度、旅行时间等数据点相关联,预测哪些员工可能离开,何时离开,以及为什么离开。可以利用离职面谈中报告的原因或任期等数据点来确定导致员工流失的原因,以及可以及时采取哪些纠正措施,利用数据建立留住员工的策略,以防止高流失率成本,拯救高绩效员工。 如何在人力资源部门建立一个数据驱动的文化 根据德勤2019年 "成为洞察力驱动的组织调查"--对数据驱动的洞察力和决策具有最强文化导向的组织,其大幅超越业务目标的可能性是两倍。" 人力资本分析(People Analytics )帮助组织量化人员和业务成果之间的关系。培养一种文化是至关重要的,在这种文化中,数据驱动的指标和洞察力在解决业务问题时获得更多的可信度。要在人力资源部门建立一个数据驱动的文化,下面提到的方面对实现商业价值至关重要。 数据 为分析而输入的数据的质量在获得有意义的见解方面起着主要作用。具有准确性和一致性的干净和可靠的数据是数据处理的食物。人力资源部门用于分析的数据来源包括员工数据(人口统计)、年度员工参与度或满意度调查、绩效评级、工资数据、人力资源信息系统、ATS招聘报告等。 数据安全和隐私是最重要的,因为必须负责任地处理雇员或候选人的数据。数据治理与数据道德章程应该到位,以指导如何收集、分析、存储、使用员工数据,并将其分配给相关团队,只为完成所需的任务。如果员工相信你在用他们的信息做什么,它将解决什么业务问题,预期的结果,以及你将如何衡量给人们和企业的洞察力或建议的成功,那么数据驱动的文化将得到推动。 人力资本分析(People Analytics )是收集数据并将员工数据与其他业务数据整合,以产生可操作的见解。例如--员工参与度与员工绩效直接相关,而员工绩效最终会影响业务成果,如销售,通过评估销售数字的变化来评估销售团队的培训前和培训后的绩效。孤岛上的数据可能无法达到分析的目的,必须与其他业务功能整合,以回答相关的业务问题。 人力资源部门和企业之间的合作。 如果没有领导团队的支持,一个以数据为导向的文化是不可能的,因为他们对人力资本分析(People Analytics )的潜力和业务成功的需求深信不疑。人力资源部门需要与内部业务职能部门(IT、财务、运营、销售和市场等)或团队建立桥梁和培养信任关系,甚至在需要时与外部供应商建立联系,以推动数据驱动的决策。 人力资源部门必须向关键利益相关者展示基于证据的讨论,说明数据究竟如何使每个职能部门或团队更加有效和高效。从直接影响业务的小型数据项目开始,并好好执行,以获得领导层的认同。基础应该是解决业务问题,以及业务是否已经准备好根据洞察力来采取行动。你的文化应该奖励以数据为导向的思考,以找到解决业务挑战的方法。 技术 现在有了大量的数据,先进的软件,人工智能,ML和RPA,已经增强了预测和规定的分析能力。基于数据点的机器学习算法有助于识别模式,为员工创造个性化的体验。根据Nucleus Research的研究--投资于分析的回报是每投资一美元就有13.01美元。根据分析数据的需要,投资于更好的技术,将推动人力资源部门对数据的使用,以获得洞察力并节省时间或精力。 具有多学科技能的人力资本分析(People Analytics )团队。 由人力资源业务伙伴、数据科学家、研究人员、统计学家、顾问和技术专家组成的团队的正确组合是在一个组织中建立人力资本分析(People Analytics )功能的关键。这个团队应该有足够的能力来开发一个假设,将数据转换成可操作的见解,通过数据故事或数据可视化进行沟通,并在适当的时候向企业提供数据驱动的预测或建议。 人力资源部门可以通过基本的数据知识和分析培训,在转型的过程中发挥改变游戏规则的作用。必须对员工进行培训,让他们了解数据洞察力是如何产生的,如何应用,如何确定目标受众,优先考虑需要解决的业务问题等。它可以创造更多关于数据分析功能的实践方面的意识,培养一种由数据驱动的文化。 实施人力资本分析(People Analytics )或发展数据驱动的文化当然不是一条容易的道路,围绕数据质量、文化障碍、技能差距、技术、数据沟通、领导支持和投资等方面的挑战。但是,如果企业想让人员成为竞争优势的来源,想吸引、发展和保留高绩效的员工,他们就必须释放出数据的力量,做出能使企业成功的人才决策。人力资本分析(People Analytics )可以影响所有的关键利益相关者,利用员工的生命周期数据,得出可以推动收入的见解,使人力资源部门成为像其他业务职能部门一样的战略伙伴。 作者:Nidhi Negi Dixit 来自 humancapitalonline
    改变
    2021年05月04日
  • 改变
    未来的工作是现在 不久以前,工作看上去就像你所期望的那样:一个开放式的办公空间,墙上或整个空间都有桌子和/或隔间。会议室就在附近,休息室总是熙熙攘攘的。 负责的人年龄大,经验丰富。梯子上较低的人更年轻,注意力更集中。一些人正在攀登公司的阶梯,而另一些人则为他们把它固定在原地。现在,空间更前卫了。桌子仍然存在,但现在,它们中的许多都是不知名的,属于每个人,而不仅仅是一个人。沙发附近有桌子、绿色空间和安静的空间。每个人都在笔记本电脑或移动设备上工作,从一个地点移动到另一个地点。有些人每天都在那里,而另一些人则是暂时的;偏远的工人在办公室工作,而不是在家里工作。 那么,变革背后的力量是什么?答案很简单。 Millennials and Generation Z Technology Culture 一代人 在这个行业中呆了一段时间的人力资源专业人士可能会记得Y时代(千禧一代)的崛起,以及发生这种情况发生时的人力资源量是多么惊人。为了阻止历史的重复,人力资源已经开始,准备好迎接Z时代的崛起。 而且时机不可能更好。到2020年,预计劳动力将达到50%的Z时代。 科技 就像他们千禧一代的前辈一样,Z时代有着强烈的科技意识。事实上,他们生活中的许多部分都包括了技术,他们对此相当满意。事实上,有些人更喜欢远程工作。走进办公室和在小隔间工作的日子越来越少了。 缓冲器的远程工作报告说,到2020年,远程工人将占美国劳动力的近四分之三。此外,远程员工队伍的规模不仅在增长,而且在“远程薪资”级别上的职位也在增加。 从排名最低到高管的全职员工会在家里呆上一整天,通过远程客户登录到公司的主机上。有些人甚至不呆在家里,带着他们的笔记本电脑去图书馆或最喜欢的咖啡店工作。他们是与其他远程工作人员进行视频会议,并进行全面的项目,而不必在同一房间与他们的团队伙伴。 事实上,上面提到的同一份报告说,90%的被调查的偏远地区的工人说,他们的余生将在远程工作。 远程员工不仅仅是全职员工。他们中越来越多的人是自由职业者或兼职工人,他们一次把自己的技能外包给多个雇主。这对人力资源有实际意义。 贾米·斯图尔特,思科系统公司的高级运营总监说到:“这个整体的经济概念,将极大地改变工作场所。” “它改变了我们领导和管理团队的方式,” 斯图尔特解释说,在零工经济中,人不是公司控制的资源。相反,该人与其他公司共享。这对工作场所来说是一个很大的变化,因为该岗位的员工可以在没有附加条件的情况下,根据自己的技能和愿望来改变公司。 话虽如此,大多数曾经谈论过远程员工的人力资源专业人士并没有专注于使其成为现实的技术,而是专注于如何保持员工之间的联系。 文化 这推动了一场巨大的文化变革。一些人开玩笑说,这两代人几乎生来就掌握着技术。因此,这些工作人员在获取个人生活中的信息方面建立了内在的期望,并将其扩展到他们的职业生活中。 例如,他们中的许多人习惯于要求苹果的Siri或亚马逊的Echo设备等人工智能设备为他们播放一首歌或打开灯,这种情况会立即发生。几分钟内,他们就可以在聚会上列出一张播放列表,供他们锻炼或演奏音乐。这都是关于个性化的。 “我们都知道,变化是一个常数。我们都在为下一件事做准备,所以当我们说到未来的工作时,我们的意思是什么?一年?三年?十年?50年?我们正处于一个不断进化的状态,“卢西亚娜·杜阿尔特说。 杜阿尔特是惠普公司负责员工经验的副总裁。惠普是世界上最知名的科技公司之一。这家公司销售不同类型的技术,从笔记本电脑到打印机,应有尽有。杜阿尔特说,正是因为这个原因,公司才会不断发生变化。 杜阿尔特说:“为了在我们的行业中生存,我们必须更善于变革。”人力资源作为一个整体也是如此。 事实上,很多事情都在改变,不仅仅是技术。 以透明度为例。目前和未来的雇员不服从雇主持有的传统工作模式。因此,人力资源部将不得不认真研究他们公布的信息。 一个极端的例子是公开披露支付给工人的工资。至少有一家名为Buffer的社交媒体公司会这么做。在PayScale的一项关于工作满意度和薪酬的调查中,该组织发现员工对他们的工作满意度和薪酬的了解越多,他们的工资水平就越高。 总结 如果这里有一个关键点要解决,那就是未来的工作正在不断变化。人们对工作的挑战和相关责任的方式从未发生过这种改变。但对于人力资源来说,有一些平静的想法:他们的工作也可以说是这样。对于这些专业人员来说,工作的未来不仅仅是重新定义工作场所、员工或技术……而是重新定义自己。最终,HR将成为本次变革的驾驶员席位。塑造未来工作的力量在于能够应对世代代的变革,处理技术的挑战,找到最适合员工和公司业务的文化。   作者:Mason Stevenson 来源链接:https://www.hrexchangenetwork.com/hr-talent-management/articles/the-future-of-work-is-now 以上翻译由AI完成,仅供参考。
    改变
    2019年08月16日
  • 改变
    高速发展的机器学习,会给企业运营带来怎样的改变? 来源:猎云网(微信号:ilieyun)  编译:Mancy   毫无疑问机器学习正处于 hype curve (发展规律周期)模型的顶峰位置。当然,反响也异常激烈,仅在过去一周我就听了 20 遍这样的笑谈:机器学习就像青少年的情欲,人人都在谈论它,但是没有人真正了解它。但就在我身处的地方,有人运营了一家公司,让现实世界中大量的机器学习项目都变得可以施行,很明显,机器学习将极大程度地改变公司的运营方式。   它并非只应用于 Siri 和 Amazon Echo 这样新潮的产品,它的研发公司也不局限于我们通常认为的拥有大量研发预算的谷歌和微软。在现实中我敢打赌,几乎所有的 500 强公司都因使用了机器学习而获得了更高的效率和利益。所以机器学习身在何方呢?在这里我们介绍几款能让生活变得更美好的幕后应用。   赋予用户生成内容以价值 一般的用户生成内容有点吓人,实际可能比你想象的还要糟糕,这些内容充斥着错别字、低俗内容和完完全全的错误信息。机器学习模型可以确定用户生成内容的好坏,筛除糟糕的内容,让优秀的内容展示给别人,而这些过程都无需人工审核。   与之类似的情况还有垃圾邮件。还记得那些关于垃圾邮件的辛酸往事么?机器学习可以帮助确定哪些是垃圾邮件,而且基本上可以过滤它们。近些天,清晨检查收件箱时你会发现垃圾邮件日渐减少。希望在不远的将来用户生成内容也能达到这样的效果。   Pinterest 利用机器学习向人们展现了更多有趣的内容;Yelp 用机器学习整理用户上传的照片;NextDoor 用机器学习筛查留言板上的内容;Disqus 用机器学习来剔除垃圾评论。   更快发现产品 作为一家搜索公司,谷歌总是最先聘请机器学习的研究人员,这不足为奇。实际上,谷歌近期分配了一名人工智能专家负责搜索。但是,自 1970 年开始,搜索大型数据库和匹配关键字抓取结果的技术就已存在。谷歌的特别之处就是它知道哪一个匹配结果具有最大的相关性,而谷歌具备该能力的原因就是它使用了机器学习。   但是,不仅仅只有谷歌需要智能的搜索结果。家得宝也需要在巨大的货物目录中为某位客户不规则的浴室匹配合适的浴缸。苹果公司需要在其应用商店中展示相关应用。Intuit 需要在用户提交某一纳税申报表格时给出相应的帮助页面。   像 Lyst 和 Trunk Archive 等成功的电子商务初创公司都使用机器学习为自身的用户提供高质量的内容。其他初创公司如 Rich Relevance 和 Edgecase 会采用机器学习的策略,当商务客户浏览产品时,公司会将机器学习所获得的益处展现给他们看。   与客户打交道 你可能会注意到,近些年来,“联系我们”的形式变得更加稀少。那是机器学习简化了业务流程的另一表现。为了不让用户自行选择问题,不停地填写问题表格,机器学习会查看请求内容并将其导向合适的地方。大公司愿意在机器学习方面投资,因为他们已经看到了机器学习正向的投资回报率。   理解客户行为 机器学习亦擅长情感分析。对于不搞市场营销的人而言,舆论有时候是暧昧不清的东西,也会推动许多重大的决定。例如,一个电影工作室推出了某一暑期大片的预告片,他们可以通过获取社会的反响来看看目标观众的呼声在哪里,然后他们就会调整广告策略来让真正感兴趣的观众浮出水面。这样,工作室就不动声色地把观众带进了电影院。   另一个例子就是:一个游戏工作室近期在某款流行电子游戏的主线中推出了新的主题,然而当中却没有玩家期待的某个游戏模式。当玩家通过社交媒体开始吐槽时,工作室就能监测这些言论,找出自身的问题。然后,工作室会暂停他们的发布计划,等添加了新的功能之后他们就能把黑粉转为真爱粉了。他们是怎么从数百万的 tweet 中发现这些微弱的声音的呢?答案就是他们使用了机器学习。在过去几年中,通过机器学习监听社交媒体已成为标准的运营程序。   下一步? 处理机器学习算法是个很棘手的事情。正常的算法都是可预测的,我们可以透过现象看本质,理解它们是如何工作的。在某种程度上,机器学习更像人类。作为用户,我们有时候想不通纽约时报为什么会推送那些奇怪的广告,也不明白亚马逊为什么会推荐那些滑稽的书籍。实际上,纽约时报和亚马逊不能像人脑一样明白那些特定的结果,例如我们知道为什么晚餐选泰国菜,然而它们却不知道。   如果十年前你步入了机器学习的领域,除了谷歌和雅虎之外你可能找不到工作。而今天,机器学习无所不在。数据比起以往更为普遍,也更易获取。例如 Microsoft Azure ML 和 IBM Watson 的新产品降低了先进机器学习算法的准备成本和持续成本。   大众文化中的机器学习主要集中在人工智能的私人助手和自动驾驶汽车上,不过几乎你打开的每一个网站背后都有机器学习的支持,大公司投资机器学习并非因为它的流行或者先进性,而是机器学习能给他们带来可观的投资回报,这也是创新不断产生的原因。
    改变
    2016年03月31日