人力资源分析管理周期

一年多前，我开始研究人力资源分析。在仔细查看了不断增长但有限的现有人力资源分析文献后，我发现人力资源和管理学术界以及业内所谓的人力资源分析专家都缺乏清晰的解释。

在一定程度上，与主题术语相关的术语缺乏清晰度，人工智能和数据科学术语的使用具有误导性，机器学习、算法、专家系统和预测分析等术语被互换使用。

更重要的是，关于人力资源分析可以为人力资源职能带来的附加价值，更有趣的是，对于人力资源在组织中的业务案例和战略角色，存在相当大的困惑。

解开困惑的程度，看似显而易见的研究目标只是从多方利益相关者的角度调查人力资源分析的现状，包括人力资源专业人员和数据专业人员。

但是……为什么会如此缺乏明确性呢?

对这个问题的回答非常直接:

人力资源分析结合了来自三个不同学科的知识和专业知识:人力资源、数据管理(也指IT系统和基础设施)以及数据科学和分析。

造成这一挑战的部分原因是，人力资源管理作为一门学科，在历史上一直与以数字为导向的组件分离，因此，除了一些例外，人力资源从业者和学者都没有开发出一套定量技能。

这导致该领域的从业者和学者忽略或忽视了数据系统、科学和分析中产生的更广泛的知识，而这些知识是人力资源分析组织领域的关键。

数据科学的一个主要贡献是，任何分析周期都应该从业务问题开始，并以可操作的干预措施结束。

在我们的领域中可以使用的定义如下:

“人力资源分析是利用人力资源数据(必要时还包括业务和外部数据)解决战略人力资源问题的过程，包括以下组成部分:人力资源问题的识别、研究设计、数据管理、数据分析、数据解释和沟通，以及随后的行动计划和评估”。

在这张图中，我们可以观察到这些组成部分是如何通过不同的技能组合来实现的:人力资源敏锐度、人力资源指标、研究方法、IT系统和数据基础设施、数据挖掘和解释以及令人信服的故事叙述。

因此，在这种背景下，我着手采访了近30名参与者，其中大部分是人力资源分析职能部门的负责人、人力资源经理和人力资源分析专业人士。样本的绝大多数是由总部设在爱尔兰的组织组成的，一些在英国，一些在荷兰。通过LinkedIn发送邀请，在他们当前的职位名称和/或职位描述中搜索以下关键词“人力资源分析”，“人员分析”，“劳动力分析”和“人才分析”。访谈时间从45分钟到一个半小时不等。

一个常见的模式很清楚:这些组织中有很多都有一个相对较小的人力资源分析团队(平均3或4名团队成员)，并且横跨不同的行业，如IT、航空、金融和零售。

其中大部分是跨国公司，最显著的两个特征或异常是:

• 人力资源分析主管的职位名称各不相同;
• 这些专业人士的专业教育和发展轨迹在某些科学领域(物理、工程等)或统计和数学领域，但很少在一般业务或人力资源领域。

在研究这些公司时，我们意识到他们都有一个共同的模式:人力资源分析管理周期。人力资源分析周期的每个阶段都应该回答一组关键问题，这些问题将引导人力资源分析部门走向成功的人力资源分析项目和解决方案(见下图):

1. 人力资源关注点的识别应该是第一站，揭示这个问题对业务战略或任何竞争优势的影响有多大。为了实现这一点，人力资源分析功能以及人力资源专业人员将需要花时间提炼哪些人力资源指标属于他们试图解决的具体人力资源问题的范围，以及这些人力资源指标如何影响人力资源战略或业务绩效。
2. 适当的研究设计应该进行。这可以追溯到传统的研究设计方法。事实上，组织可能会使用大数据和人工智能驱动的分析工具，但这并不意味着在围绕我们正在解决的人力资源问题构建一个可靠的人力资源模型时，研究设计应该非常复杂。

在研究设计中，人力资源分析功能需要弄清楚因变量和自变量是否包含他们内部可用的人力资源指标，或者它们是否来自一个或多个数据库，或者他们是否需要人力资源分析顾问来收集和分析数据，使用特定的数据挖掘工具，如情绪分析或心理测量资料。

这也是团队决定应该部署哪种统计技术的时刻(例如t检验、线性回归、逻辑回归、结构方程模型、社会网络分析等)。

3. 在数据管理阶段，需要一组新的技能，即计算机系统和基础设施的管理．这些技能将促进跨数据库的数据查询、数据的管理和集成。工程师将知道数据是否可以在同一个数据库中进行查询和集成，以优化人力资源分析师的可用性。需要做出一个决定，是使用开源软件和基础设施(如SQL和Python)，还是部署集成平台(如Alteryx)更有效，还是更简单的分析和可视化工具(如Tableau或Microsoft Power BI)更有效。这也是一个考虑建立长期数据仓库或生态系统的可能性的好时机，特别是如果我们正在处理一个战略人力资源问题，这将对组织绩效产生持续影响。

4. 的数据分析因此，一旦数据准备好进行分析，这一点就变得显而易见了。数据分析可以在最适合该情况的统计包中进行。统计包包含不同程度的复杂性，从Excel，到SPSS, RapidMinder, R或Python。因此，根据软件和分析是否需要编码，将部署不同的技能。

5. 在人力资源分析周期结束时，人力资源分析功能将把他们的统计技能与人力资源专业人员多年来积累的人力资源智慧结合起来。统计上的显著性和相对影响应该与一个令人信服的故事一起摆在最前面，展示结果为我们提供的解释力。为了让业务端接受人力资源分析功能刚刚提供的输出，这个过程的讲故事方面是关键。最后一个关键问题是提供重要自变量的可量化影响(例如，根据我们的数据，如果我们每年加薪7%，员工敬业度将提高15%)。

6. 最后，人力资源分析功能应该与人力资源一起提出一个可操作的干预计划，以便最终解决团队一直在研究的人力资源问题。这将需要确定一些新的建议，涵盖潜在的新规则或一套可以实施的推动措施。确实应该审查这一可行的计划，以衡量这些干预措施的实际影响，并确定它们是否是最适当的。

访谈包括在这个研究项目发现了一些关于人力资源分析的进一步有趣的讨论点或考虑因素时代背景:

1. 当涉及到设计人力资源模型和假设开发时，人力资源分析功能是否在重新发明车轮?

有一种倾向是依赖于团队的人力资源智慧和经验以及以从业者为导向的文献，而人力资源学术奖学金提供了更广泛的人力资源模型，这些模型更健壮，提供了更值得信赖的有效性。然而，获得学术奖学金的机会非常有限，也许这是一个产业界和学术界之间更密切合作可以提供一些协同效应的空间。

2. 我们是否需要更全面的人力资源指标培训?

除了少数例外，人力资源指标不是欧洲三级机构本科或研究生课程教育课程的一部分。人力资源课程在伦敦国王学院、剑桥大学、康奈尔大学和麻省理工学院等大学通过为期一天或两天的研讨会授课。通过这种方式，在线社区和学院等www.analyticsinhr.com提供与人力资源分析专业人员一起设计的专业课程。

3. 对数据基础设施和生态系统采取长期的方法是否重要?

答案是:视情况而定。如果我们已经确定了人力资源分析项目，这些项目将带来竞争优势，或者将解决持续的人力资源问题，那么就值得花两到三年的时间来构建一个生态系统。即使是在人力资源分析领域的数据驱动型组织，也不得不花几年时间重新调整和统一生态系统所需的代码。

通常情况下，这些代码片段是由不同的开发人员在不同的时间点选择的，因此确实需要一定的标准化，这样生态系统的骨架就可以被任何人使用和修改。

4. 组织是否需要大量的预算才能进行人力资源分析，甚至建立一个生态系统?

不一定。有很多软件是相当昂贵的，但也有开源的基础设施，程序语言和统计软件可以使用。通常情况下，我们可能需要为可视化工具或某些功能付费，但重要的是，人力资源分析人员了解可用的选项范围。

5. 可视化工具是人力资源分析吗?

这取决于我们正在处理的人力资源问题。有时，我们可能只需要Tableau或Microsoft Power BI，但有时我们需要运行更复杂的统计分析，而这些可视化工具往往在这方面做不到。

6. 人力资源分析的管理挑战是什么?

管理方面的挑战在于让来自三个不同学科的专业人士理解彼此的语言。人力资源专业人员、数据经理和数据科学家在不同的空间交谈，他们之间通常没有流畅的对话。人力资源分析主管需要在一定程度上掌握这三种语言，以便及时开展人力资源分析项目。

基于这项研究的最后两点想法。首先，人力资源分析专业人员和能力仍然短缺，尤其是在欧洲。其次，应该对数据的道德使用给予谨慎和关注:人力资源分析的一些元素可能会成为问题:匿名性和隐私、数据安全、算法透明度和决策过程中的问责制。