六西格玛应用于人力资源分析:简介

如今，数据科学涉及业务功能的各个方面。它可以提高业务决策的速度、准确性和质量。作为核心业务运营的固有组成部分，“人员职能”也未能幸免于这种发展。

众所周知，最好的数据科学实践是将管理工具与统计和机器学习见解结合起来。这些组合极大地帮助了战略决策，直接提高了全球大量企业的生产力和盈利能力。

在这方面，六西格玛可能是最成熟和有文献记载的方法。从根本上说，六西格玛是一种数据驱动的方法，通过减少过程平均值周围的变化来提高过程的质量(即任何重复的业务功能)。

换句话说，确保过程落在可接受的公差范围内(尽可能)。这在六西格玛中被称为“过程授权水平”。

理论上，六西格玛的满分是6分。这意味着99.7%的数据点都在容错范围内。然而，在实践中，一个好的西格玛分数取决于所讨论的特定过程的动态。

六西格玛项目通常包括一个完善的DMAIC框架(定义、测量、分析、改进和控制):

定义

A.确定要改进的业务流程及其附属子流程。

测量

收集与过程/子过程相关的数据。

分析

C.通过一系列头脑风暴工具形成假设。

D.通过对累积数据的大量统计计算来测试西格玛水平。

改善

E.最后，通过实施通过假设检验获得的建议和报告来提高西格玛水平。

控制

F.长期的过程监控，以确保改进过程的连续性。

Part A(定义)

业务问题

在这个特殊的案例研究中，我们应用六西格玛来解决一个重要的人力资源业务问题:“提高人力资源招聘职能的效率”。

我们的客户是一家著名的国际科技猎头公司。我们的客户估计，“他们在就业门户网站和社交网络平台上的投资回报率(投资回报)没有达到最佳的行业基准，可以提高”。

这会通过以下方式对我们的客户产生负面影响:

1. 整体服务标准与竞争对手相比
2. 对稀缺资金的低效使用
3. 候选配置文件质量差，不及时，数量不足
4. 品牌和市场定位

通过QFD(质量功能部署)定义对质量至关重要的CTQ

为了开始项目，我们需要为客户业务问题定义CTQ方面:“改进人力资源招聘功能的效率”。

在六西格玛项目中，高级预分析的首选工具是QFD(质量功能部署)。这通常被用作“度量”阶段的第一个组件。该工具通过将CTQ的子过程与其功能组件(即工程参数)相关联来划分子过程。

QFD对(核心流程的)子流程所需的功能组件计算一种“显式定量关联方法”，然后部署加权函数对功能组件的参数进行优先级排序。

这有助于功能组件的选择和定制，以提高过程的质量。重要的功能组件可以作为单独的六西格玛项目来处理。

在我们的项目环境中，发现的子流程是:配置文件的质量、周转时间、总体处理时间、候选配置文件的有效认证而且对竞争对手和市场的招聘和空缺保持谨慎的能力。

然后将这些特征与质量特征一起绘制出来，例如用于招聘、有效管理、简历数据库索引的方法，以及与主要招聘公告板的专业参与方法。

在质量功能展开的基础上，我们确定了六西格玛项目的CTQ为“利用主要工作门户和在线网络平台对专业参与方法进行最佳估值，以实现投资回报率最大化”。

没有可靠的数据记录系统存在这样，有关“专业参与方法与主要工作门户和在线网络平台的最佳估值，以实现ROI最大化”．

然而，通过详细和创新的分析，包括提取过去3年交换的历史电子邮件记录，分析了我们客户的投资回报率“职业门户和在线社交平台的专业服务”在230%左右。

根据商业智能估计，市场领导者(光辉国际、万宝盛华等)在这个特定的业务流程中享有400%或更高的投资回报率。

本项目的目标

基于业务问题、QFD分析和CTQ识别，这个项目的目标被标记为“投资回报率由230%增加至300%或以上(每月复合)”。

基于业务流程专业知识，确定了三个主要组成部分(因素)，它们直接影响“招聘功能的效率和与工作门户网站的接触”。该假设将被检验:

1. 最优货币投资在职业关联与职业门户&职业社交门户
2. 在4个招聘门户/数据库中，招聘人员收集简历时间的最有效和最高效的分配
3. 在求职门户网站和专业社交网站中相对强/弱的领域
4. 在与不同的求职门户网站和专业社交网站进行谈判时，是否应该有不同的方法和方法

总结本节:在本节中，我们了解了客户的核心业务问题，并通过QFD的应用深入研究了业务问题。这帮助我们确定了相关的关键子过程、项目的CTQ以及最终的项目目标。

我们的项目目标是投资回报率由230%增加至300%或以上(每月复合)．

乙部(措施)

过程能力

与项目目标一致，ROI被定义为每周收入占就业门户网站和社交网站支出/投资的百分比．

每周的收入并不总是与特定一周在求职门户网站和社交网站上的支出/投资相关，因为收益通常是在很久之后才实现的。但是，为了保持计算的一致性和实用性，假设是这样的。

工艺能力的数据抽样和其他统计分析。

我们的项目没有正式的记录和可靠的数据。因此，通过选择性IMAP协议，从四个招聘人员的非正式记录和电子邮件记录/人员中仔细提取数据。

对提取的数据进行初步预处理和评价后，决定:

1. 采用分层抽样和随机抽样相结合的方法。数据在“3个月周期地层上分层，创建10个地层，每个地层包含3个月的数据，以一周为单位”。基于单样本t检验的幂曲线(见下图)，从各地层中按等比例随机抽取样本(每层6个单位，每层12个单位)，最佳样本量为60个单位。
2. 使用“单样本t检验的功率曲线”来计算“给定情况下的最佳样本量”(单样本的功率曲线)

总结本节:在本节中，我们查看了流程图，收集和预处理了用于分析的数据，并确定了最佳样本量。计算最佳样本量对于任何统计分析的可靠性都是很重要的。

基于上述步骤收集的样本数据，创建连续数据(样本)的过程能力分析(Process Capability Analysis):

连续数据的过程能力分析(基于样本数据)

西格玛水平(调整)由CPK = (3CPK + 1.5) = 2.1计算

为连续数据(样本)绘制运行图(基于日期顺序)，以便更好地可视化随时间的趋势(聚类，振荡)。

这里需要注意的观察和要点

我们这个六西格玛改进项目的重点是使过程徘徊在目标和usl水平之间，以提高过程能力得分:

1. 在快速发展、竞争激烈的科技招聘行业，流程能力一直处于历史低位。根据商业智能估计，市场领导者(光辉国际、万宝盛华等)的运营水平约为3.2西格玛(对于这个特定的CTQ)。
2. 320%的目标水平被故意保持在雄心勃勃的水平，以确定改进领域
3. 运行图显示了一个循环趋势，在第25周和第35周之间有一个有趣的峰值。在此期间将对数据进行密集挖掘，以找出这一时期性能峰值的根本原因。运行图的其他主要参数看起来是可控的。
4. 控制图表明，整个过程已经在控制之下，尽管变化仍然可以改进。

总结本节:我们计算了我们过程的sigma分数(为2.1)。我们还能够通过SPC(统计过程控制)图表识别过程中的趋势，并注意到峰值。这一信息是进一步分析的起点。

第三部分(分析)

基于“过程能力分析”的观察结果，采用个体值图和方差分析(ANOVA)对岗位数据源/社交网络服务的核心竞争力进行了统计分析。

四名招聘人员从四个工作数据源/社交网络服务[A,B,C,D]中提取了60周(单位)内每周获得的简历总数(不包括重复简历)的记录。

请注意，此数据仅提供了提取的所有匹配简历的总数，而不考虑技能组合和转换比率。

对这些数据的分析使我们能够大致了解所评价的所有四个数据源的整体资源实力。这种分析可以帮助我们在初步阶段对资源进行优先级/排序。

收集了60周的数据，与从每个特定资源收到的资源的数量和类型相匹配。

数字标识[1,2,3,4]用于工作数据源/技术网络数据源，数字标识[1,2,3,4,5,6,7,8,9,10,11,12,13]用于特定的技术需求

个体值图和单向(未堆叠)方差分析表明，数据源1是资源总数的边际领导者。然而，这里的变化高得令人无法接受。

数据源3是非常接近的第二位，但变化要小得多。因此，根据初步目视检查，数据源3应该是首选来源。数据源2的性能略低于其他两个。

数据源4在所有参数上的表现都不令人满意(作为获取高质量简历的媒介)。在“改进阶段”将根据这些分析作出政策决定。

与我们的需求更强的相关性是关于哪个来源应该是每个特定技术需求的首选来源的信息。

总结本节:我们根据60周内获得的所有技能组合的匹配配置文件的总数来评估所有四个数据源。这些信息将是一个关键的组成部分，因为它将有助于优先考虑我们的数据源的参与和投资

多变量图表使我们能够了解工作数据源/技术网络站点在特定技术要求方面的能力。一个有趣的观察是，虽然数据源4的整体性能是最低的，但它在“软件测试和QA”方面仍然具有核心竞争力。同样，数据源2在“存储工具”方面具有核心竞争力。

图形分析也显示出某些领域的核心竞争力不足。例如，操作系统/主机需求在所有渠道的资源产出都很低，这表明我们的客户可能不得不依靠直接猎头或其他渠道来获取人才。

总结本节:我们根据60周内获得的匹配概要(针对个人技能集)的总数来评估所有四个数据源。这些信息是一个关键的组成部分，因为它帮助我们为客户满足特定的技术需求定制我们的方法。

从工作数据源/社交网站收集简历有两种主要模型。

1. 数据源的直接数据库访问。
2. 在各自的数据源中发布广告，并接收相应的简历。

当特定的客户请求特定的需求时，提供所需资源的时间和预算都是有限的。在这两种方法之间进行统计比较分析将有助于确定我们的方法的优先级。

在60个样本周中，每个主要方法收到的简历总数中提取了记录。

创建了一个箱形图，以获得两种主要方法的数据强度和分布的强大概述:

直接数据库访问方法显然是更有效的方法，与广告方法相比，所有参数[平均值，中位数，四分位数]都更高。基于这一分析，随后在“改进阶段”作出了政策决定。

总结本节:我们用方差分析(ANOVA)、个体值图(Individual Value Plot)、多元图(Multivariate Chart)和箱形图(Box Plot)等统计工具详细分析了所有四个数据来源和资源收集机制。这一分析帮助我们获得了以下方面的见解:

1. 四个数据源的整体实力及其专业技能优势
2. 评估直接数据库访问与广告的效率

我们制定了关于有效使用这些报告的政策决定，这将在本分析的“改进阶段”进行。

D部分实验控制设计(高级分析)

在QFD和头脑风暴会议期间，有人怀疑显著影响我们的目标的因素之一“提高每周收入占就业门户网站和社交网站支出/投资的比例”，是“有效和高效地利用招聘人员从这四个数据源获取个人资料的时间”。

碰巧的是，在几个工作日内，招聘人员没有与猎头公司联系。在这些特定的工作日，招聘人员的任务是打开数据源，并根据预期的未来需求收集个人资料。

之后，他们在数据库中标记并建立索引。

根据标准惯例，招聘人员可以自由选择他/她希望浏览的数据源。招聘人员随机浏览这些网站，或者在这四个数据源之间平均分配时间。这完全取决于招聘人员的个人选择。

为了计算在这4个数据源的浏览中投入的时间的最佳利用，进行了受控实验设计:

什么是DOE(实验设计)

在实验设计中，x的值是实验控制的，不像其他统计研究中它们是观察到的。DOE也被称为观察性研究。

DOE的目的是最大限度地理解y=f(x)方程，并将其调整为尽可能最佳的性能。

理解实验设计的关键领域是:

1. x对Y的影响最大(在我们的例子中，x是招聘人员在各自数据源上投入的时间，Y是收入)。
2. 重要x和Y之间精确的(或最接近的)数学关系。
3. 静态地确认已经做出了改进，或者相对于不同的X值存在差异。
4. 发现在哪里设置重要x的值/水平，以对它们各自的y产生最大的积极影响。

能源部本项目的方法:由于交互效应未被考虑为一个因素，并且为了通过减少运行次数来最小化实验的时间和成本，使用了Placket-Burman DOE方法。

定义设计架构:四个数据源1、2、3和4是因子，级别分别为1和-1。总共进行了18次试验。

与设计架构相关的任务:实验由一名招聘人员连续18天进行。

分配给招聘人员的任务是在4个数据源中浏览2小时(120分钟)，收集、标记和索引最多24份简历(12个不同技能集各2份简历，随机编号)

在特定的运行中，+1、+1、+1、+1将转化为招聘人员在四个数据源中各投入30分钟。

在特定的运行中，+1、+1、-1、+1将转换为招聘人员在三个具有+1符号的数据源中分别投入40分钟，而不使用-1符号的数据源。

在特定的运行中，+1、+1、-1、-1将转换为招聘人员在两个有+1符号的数据源中分别投入60分钟，而留下两个有-1符号的数据源。

在特定的运行中，+1、-1、-1、-1将转换为招聘人员在带有+1符号的数据源上花费120分钟，而将三个带有-1符号的数据源排除在外。

以此类推，总共跑了18次。

进行了实验，并对收集、标记和索引的简历总数进行了统计。对实验结果进行分析观察如下:

实验分析与观察

1. 在实验中，数据源1是最强的积极因素，而数据源4是最强的消极因素。从回归分析、方差分析、主效应图和标准效应图可以明显看出这一点。
2. 数据源2和数据源3不是统计上显著的因素(从方差分析的P值和回归分析可以看出)。然而，它们对于某些任务仍然具有一定的商业意义。
3. 数据源2和数据源3的因子效应接近。然而，一个随意的可视化分析显示，数据源3在简历质量方面比数据源2表现得更好。数据源2在数据库大小方面表现更好，但是数学评估超出了这个六西格玛项目的范围。这将在后续的项目中进行研究。

总结这一节对照实验设计给我们提供了比仅通过随意观察研究更深刻的见解。通过美国能源部，我们能够确认在四个数据源之间投入的时间在生产力方面的差异。这将帮助我们在改进阶段优化招聘人员在四个数据源之间的时间投资。

E部-改善

基于定义、测量、分析和改进阶段的总体结论，启动并实施了以下战略步骤:

1. 数据源4的专业服务没有更新。
2. 重新拟订了预算分配。60%的预算分配给了数据源1，而数据源2和数据源3各分配了20%。
3. 基于客户给出的特定需求，Multi-Var图表将成为连续使用各自作业数据源的指导工具。
4. 75%的资源收集资金将用于“直接访问数据库”，20%的资金用于“广告”。5%作为准备金。
5. “软件测试”、“质量保证”、“存储工具”、“邮件服务器”和“EJB设计模式”将作为咨询公司的核心能力技能进行营销。
6. 为招聘人员浏览数据源和收集未来预期需求的简历的工作日创建了策略。60%的时间将用于数据源1，其余40%的时间平均分配给数据源2和数据源3。
7. 季度回顾，新数据的积累，以及在这个项目中使用的图形和分析工具的审查。如果现状有任何变化，将对结果进行分析并适当更新。

为执行这些建议提供了30天的窗口期。与第一个项目类似，即使是在开始改进计划的一个月内进行偶然的观察，也观察到了适当的性能改进。

由于时间限制，我们在实施后收集了8周的数据，并对其进行了工艺能力评估。

由CPK (3CPK + 1.5)计算的西格玛水平(调整)为3。与2.1相比有了实质性的改进，并且已经达到了最好的行业标准。

过去两周的收入增长了32%．由于多个六西格玛项目是并排进行的，这使得在这个时间点上很难单独计算两个项目的实际经济效益。

西格玛水平预计将在未来6个月内提高，因为改进计划的全部收益将实现，导致:

F部-管制

控制图显示，即使在这个特定的六西格玛计划之前，过程也处于良好的控制之下(就像这个CTQ一样)。

总结将六西格玛框架应用于人力资源的主要长期影响:

这个六西格玛应用于人力资源项目有以下几点含义:

1. 这些类型的统计分析基于改进的人力资源系统收集的数据，将确保对人力资源的投资更多地是数据驱动的，这有助于人力资源在本质上变得更具战略性。
2. 该分析还可以帮助公司构建自己独特的算法，优化流程流，甚至帮助他们的机器人流程自动化(RPA)工作。这进一步提高了效率和效果(在这种情况下，他们的招聘人员)。
3. 服务提供商，即工作门户网站和社交网站，将越来越多地展示这些基于证据的数据，以确保业务。如今，许多求职门户网站将相同的数据库出售给多家公司，却没有为关闭职位提供数据库实际有效性的差异化见解。

我们相信，随着人力资源部门继续将其运营数字化，并收集更多关于其流程的数据，人力资源部门有可能整合战略和基于证据的方法，如六西格玛。

我们坚信，分析的时代，尤其是人力资源分析，已经到来，我们可以共同努力，改善我们的业务流程，并提供有价值的投资回报率。