拆除人力资源部的第二堵墙

如果您阅读了这篇文章，那么您很可能在人力资源部门工作，并且对数据有超过一般人的兴趣。如果是这样，你可能对“布德罗之墙”很熟悉。对于那些不了解的人，这堵墙著名地描述了组织在从描述性分析过渡到预测分析过程中所面临的困难。

遇到人力资源测量的第二堵墙

虽然从描述性分析到预测分析的需求很明显，越来越多的组织正在打破这堵墙，但人力资源已经面临着下一个挑战。

在他们伟大的文章帕特里克•库伦和弗兰克•范登•布林克在题为《人力资源正撞上第二堵墙》的文章中指出，人力资源确实存在第二堵墙。在这篇文章中，他们正确地指出，大多数预测性(和规定性)人力资源分析项目(尚未)实现自动化或产品化。相反，分析是在临时或项目基础上进行的。

Coolen和Van den Brink敦促组织从临时分析向持续分析发展。在这个愿景中，分析从理解过去发生的事情(描述性分析)到尝试预测未来将发生的事情(预测分析)，再到持续掌握现在正在发生的事情(持续分析)。

数据质量是持续分析的必要前提

为了让持续的分析工作，你的数据质量是很重要的。不仅仅是现在，而是一直。

说起来容易做起来难。数据无处不在，分析的可能性似乎无穷无尽。但即使在现代，大部分数据在某些时候仍然是手动输入的。管理数据的人会犯错误、打字错误、忘事和走捷径。

一个例子是在必填项域中填写破折号或零，因为这将帮助他们更快地提交表单。这意味着你的数据每天都在被污染。

无论是使用规范分析还是预测分析，所使用数据的质量都可以从一次性清理中受益。这通常是它在实践中的运作方式。您决定执行一个特别的分析。您发现底层数据的质量很差。您可以在特定的基础上修复数据的质量。你的注意力会转移到下一个分析上。而且，你刚刚清理的数据每天都会受到更多的污染。

虽然这种方法(在某种程度上)适用于特别分析，但对于持续分析，您需要持续访问可靠的数据。就像你可以在公婆来访之前清理你的房子一样，你可以在临时分析之前清理你的数据。

然而，持续的分析就像把你家的钥匙交给你的公公婆婆。在你可以如此大胆之前，你需要确保你的房子一直干净整洁。

什么是持续改进?

持续监测数据质量是不够的。由于您的数据每天都在受到污染，因此也应该每天进行清理。这就是持续改进的切入点。

在之前文章，我已经更详细地解释了持续改进的概念。对于那些还没有读过这本书的人，这里有一个简短的概述。

我们所谓的持续改进是持续分析你的(人力资源)管理错误和风险的过程，跟踪问题并实施结构性变革以防止它们在未来发生。

不管你使用什么系统来存储数据(上图中的第一步)，我们使用一系列算法来持续监控和改进有缺陷或缺失的记录(第2步)。有缺陷或缺失的记录会被系统自动标记(称为“异常”)。自动执行扫描的事实意味着可以连续地检查管理的许多不同方面，而不会占用宝贵的资源。发现的异常将自动发送给管理团队(步骤3)。

对于每个异常，系统记录谁做了什么以及为什么做了什么。这不仅确保异常得到了处理，而且还为所使用的算法和流程提供了有价值的反馈。如果发现的异常实际上不是有缺陷的记录，则管理团队将该异常标记为所谓的“假阳性”。输入假阳性“训练”算法使其更精确。如果相同的异常反复发生，这可能意味着流程不清楚或需要调整(步骤4)。

最后一步非常重要。通过在数据输入过程、字段说明或输入字段本身中进行结构性更改，您可以停止拖地，并开始减少水龙头。

请注意，在处理临时分析时，通常不会采取最后一步。一个原因是，当时的重点往往是分析本身，而不是错误数据的根本原因。另一个原因是，在真正了解问题的根本原因之前，您通常需要在一段时间内监控某些内容。

改变模式

在我们的持续改进方法中应用新检查时，我们看到的一般模式是在第一段时间内看到大量异常。过了一段时间，通过结构上的改变，或者仅仅因为意识的增强，例外的数量会大大减少。

它会降至零吗?这个问题的答案大多是“不”。这强调了持续改进的重要性。即使在不断监控和改进数据质量时，也会出现错误和错字，偶尔也会走捷径。你能想象如果不进行持续改进会发生什么吗?

好的方面是，由于异常的数量将随着时间的推移而急剧下降，它将释放资源来开始添加额外的检查。这样，您就可以一步一步地持续改进大部分管理的数据质量。

结论

我意识到对我们大多数人来说，数据质量可能是人力资源分析中最无聊的方面。相反，我们都更愿意做花哨的分析，用杀手级的指标让我们的经理惊叹。但关键是，如果不不断提高数据质量，就永远无法实现持续分析。就像布德罗的墙一样，如果没有首先投资“数据系统和门户”，我们就不可能发展到“预测”。

如果做得好，持续改进可以打破第二堵墙，开启持续分析的无限可能性。