
近几年,有些国际大所的合伙人开始尝试引入量化大数据的管理方法,律所的管理效率得到惊人的提升,这与某些500强首席法务官在公司律师方面的管理变革殊途同归。
他们都坚持这样一个理念,即没有量化就没有数据,没有数据即无法管理,充分依靠大数据的分析和运用来推动律师工作目标的实现,这一思想逐渐得到大律师管理者的拥趸和践行。对于已经习惯了模糊管理的律师们,这无疑是一个巨大的挑战,但他们必须迎难而上,否则就可能被市场抛弃。
管理不是降服,管律师比登天还难
在西方,律师、医生、会计师等被认为是最值得尊敬的中产职业,而其中的律师被认为是知识分子阶层为数不多被市场化的群体。想想确实也是,他们既有知识分子的清高,也有商人的精明和江湖的侠气。对于律所和公司法务部来讲,最大财富和资产是律师,但最大的难点也在律师。
优秀的律师可以以一当十,但他们的弊病也在于此:多数单兵作战能力强而不愿意作为团队的一分子去付出和协作,于是,他们在很多问题上习惯性对抗,最终很难合作共赢。有人说,管理律师群体(这里的律师包括社会律师和公司律师,下称大律师管理)是个苦差事,比登天还难,一点也不危言耸听。
为了解决律师管理的难题,国内外法律行业进行了不同形式的尝试,首先以律所为例,从管理和分配机制上讲,国外律所大多采取的是合伙制,就是想通过合伙实现人合性,但这对于合伙人之间的信任和律所的管理水平要求较高。
在中国,很多律所人合性没有得到充分的发挥,合伙人与聘用律师之间的关系松散,无法形成合力,有碍于律师事务所整体营销、长久发展及形成合力,甚至还出现了很多采取公司制的律所。有人形象地比喻,中国的律所管理,更像是一个农贸市场,管理处出租商铺或摊位给律师,然后简单地收租金和维护秩序,这确实有点匪夷所思。
于是,历史悠久的合伙制中最优的“人合”设计变成了公司制的资合。这不仅不会解决律师管理低效的问题,还会带来更多的新问题,而且有违律师管理变革的趋势,即重新定位和调整利益,从传统的个体律师的简单结合向真正意义的合伙的转变,从追求个人业务收益向追求整体利益发展的转变,从原始管理模式向综合的现代化管理体系的转变。
再以公司法务为例,一般来说,资合情况下的企业管理强调自上而下的层级秩序,但管理律师绝对不是降服,特别是针对这么一群自命清高的专业人士。在这方面,公司律师的管理者首席法务官最能体会人合与资合冲突时的那种无助和无奈,但人合无疑是律师管理的正确方向。
其实,不管是社会律师还是公司律师,管理律师的重点在于掌握律师工作的全面信息,然后在这些数据之上确立合理的合作机制,并协调其可期待利益。
所以,要真正实现对律师的管理与协调,最重要的是厘清律师群体的特点,摒弃律师单打独斗和一盘散沙的传统模式,给各个层级的律师承担重任和利益共享的机会,通过不断创新,给予年轻律师更多选择权和自由度,锻炼他们的团队精神和合伙人意识,以实现团队的整体奋斗目标。
量化大数据在大律师管理中的威力
不论是人合还是资合,律师管理都需要有扎实的数据支撑,并且这些数据都是经过层层筛选的有用数据。互联网和云计算下的大数据分析可以很好地解决这个问题,为律师管理者提供源源不断的信息,以帮助他们做出更加准确的判断。量化大数据是将量化管理的方法应用于大数据,同时将法律大数据的分析结果运用到量化管理活动中的过程。
随着中国律师群体大规模增长,管理者越来越无法仅凭直觉和经验进行管理与决策。所以,我们需要用数据,而非感觉来管理,因为人的感觉很可能会出现偏差。为了把握住未来的发展机遇,一定要运用数据,运用量化的方法观察法律人员的运营状况,以及对他们进行有效的管理和评估。
大数据分析可以为管理提供最有用的信息和明确的问题解决方案,更从根本上解决了困扰管理人们的管理决策问题。而且,律师大数据分析不同于简单的统计分析,它更多的是试图用完整的体系来解答律师管理中遇到的各种难题,其中要用到数据、指标、信息及其他量化分析等等。
量化管理
据调查,在实施量化管理的组织中,有93%的组织能够做到组织战略目标一致,有97%的组织变革比较成功,而没有实施量化管理的组织中,分别只有37%和5%的组织能够做到这一点。量化管理原来主要适用于工业领域,主要是指用数学的方法来考察和研究事务的运动状态和性能,以实现标准化操作的管理模式。量化管理被引入社会科学领域还是近些年的事情,具体到律师管理,它期望通过建立一套平衡的、涵盖各个关键成果领域的绩效量化指标体系,把目标与行动紧密结合起来,对公司法务和律所经营管理全过程进行监测、评估、激励和不断反馈改进,从而保证团队目标得以实现。实施量化管理,可以实现目标与运作的有机结合,强化管理者对目标的有效控制,从而全面提高律师团队绩效。
量化管理与大律师管理目标密切相关。量化管理是实施目标的一种管理工具,直接表现为一系列的绩效指标,这些指标来自对目标的细化和分解,并且要服务于目标的实现。量化管理的绩效指标也不可太多,否则会分散管理者的注意力,使律师在众多的指标面前迷失方向。
因此,量化指标不仅要全面、科学,更要聚焦、有效,要牢牢抓住那些对实现大律师管理起决定性作用的关键指标(Key Performance Indicators,KPI),将 KPI方法运用于量化管理,不仅能够提高量化管理的效率,而且能够确保目标的实现。因为公司法务管理比律所管理更为复杂,下面就以公司律师为例,阐述下量化管理与大数据在公司法务管理中的应用。
量化大数据在公司法务管理中的应用
在公司法务管理工作中,如何发掘出优秀的律师显得至关重要,而这个依据的标准便需要能够反映员工潜力的数据,通过量化分析这些数据能使得企业区分出真正有发展潜力,工作效率高的公司律师。
这些数据主要是指那些能够比较客观地反映出员工劳动效率的提升和劳动效果的提高,比如案件胜诉率。除了基本的绩效考核之外,还包括各项能力的考核,例如客户满意度,在这方面依然可以根据能力素质模型设置评分标准,衡量员工的核心能力匹配度。量化大数据的具体应用分下面几个步骤:
确定公司律师的工作目标
公司律师的目标与外部律师的目标不一样,这一点公司律师一定要非常明确。作为公司律师,应时时刻刻提醒自己,把所有的法律业务布局都放到整个企业的业务框架中,而不仅仅是单纯地盯着法律事务如合同审查和案件处理。越来越多的公司法务部参与到企业的战略设计和决策中,并且在整体风险控制中发挥着越来越重要的作用。具体分解开来,有时公司法务人员都不相信自己可以在公司做这么多事情,很多跨国公司的公司律师在企业对外竞争和对外风控方面已经不可或缺。
采集海量的风险信息和需求
各种数据信息的采集是公司律师的基本功,而新兴的科技为这种基础工作提供无限可能。以微信等即时通信工具为例,律师可以随时随地将一线资料传回来共享,以便团队做出更加及时准确的判断。另外,移动互联网、大数据、云计算除了提供海量的信息外,还提供了很多先进的事半功倍的分析工具,利用好它们公司律师就会如虎添翼。移动互联网时代不缺少数据,而是缺少筛选的眼睛,从大堆的法律资料中发现最有效和有用的法律信息至关重要。从传统手工的摘选到人工智能的介入,公司律师检索和分析工作面临一场重大的革命。
进行量化的分析和考核
在厘清公司律师目标和采集海量数据的基础上,公司法务的管理者终于可以进行量化的分析和KPI指标的设定,这里便要涉及运用KPI方法进行量化指标的设计和分解。因为背靠不同行业的不同企业,KPI在公司法务管理上的应用相当复杂,下面以大型设备制造业为例讲一下KPI的设计理念。
在大型公司,公司律师KPI指标必须要从公司价值链入手进行拆解。价值链是企业所从事的各种价值活动,如设计、生产、营销、物流、售后等基本活动,以及人力、财务、法务等支持活动。首席法务官一般首先根据公司的基本活动确定公司的战略目标,然后根据战略目标设计本部门级别指标,例如使用面向流程的职能与角色矩阵确定公司律师的指标。将公司战略与部门目标结合生产出来的公司律师KPI会更具有代表性和普适性。
律师量化管理应注意的问题
律师毕竟不同于生产制造人员,公司律师的量化考核过程中必须要注意以下问题:首先,不同岗位应有不同的 KPI 指标组合,不同部门的 KPI指标应有不同的特点和着重点。如财务部门的 KPI指标是以利润、成本为中心,销售部门的 KPI是以收入和资金回收为中心,法务部门的 KPI是以风险控制为核心。其次,公司法务内部不同级别的律师指标也不同,一般而言,首席法务官作为高管应对组织的战略目标负责,法务总监要重点保证部门重点工作的正常运营,而一般公司律师的工作重心是完成其承担的各种具体指标。
排除障碍与坚决执行
量化管理理论告诉我们,没有什么绩效不能量化,如果不能量化,只是你还没有找到量化地方法。当量化管理应用到律师管理中时,一定会遭遇到各种各样的异议和反对,特别是整个行情比较好,大家都有饭吃的时候,律师管理改革推行的难度会越大,这时,管理者的笃定和坚持就显得至关重要。
作为律师事务所的合伙人或者首席法务官,需要时刻对形势有一个清醒的判断。居安思危,当我们不再为温饱问题发愁时,应该决断及时调整管理体制,以备更能适应新形势的发展,让律师团队效率有持续的提升。
律师管理改革需要重新建立对律师的评价体系,以改变原始的单一指标。大数据时代的到来为律师管理的这种变革提供了一个重要契机,“用数据说话”将律师管理引入了量化管理的时代。管理的核心是决策更多地依赖于数字,更为准确的称呼是大数据信息。通过可比性的大数据信息,使决策过程中的“加减乘除”成为可能,降低人与人之间沟通、协调和合作的成本,促进分工的发展,从而大幅度提高律师管理的效率。
目前,量化管理已经延伸到了管理的每一个角落,律师也概莫能外。但是,量化管理也有很大的缺陷,因为信息的量化往往会伴随着大量的信息损失和扭曲。同时,量化管理一味追求量化结果的精确性,有些量化结果看似精确而实际毫无意义。为了达到量化指标,很多律师会出现“磨洋工”现象,而这些无助于提高律师团队的效率。
当外部量化信息获得了不容置疑的内部强制力量,绝大多数律师虽然可能认为是不合理公平的,但更多的是自我调整,以适应制度的要求,而不会“以身试法”,这一点尤其要引起律所主任和首席法务官的警觉。对量化管理,不要片面夸大其作用而要及时调整,对它盲目崇拜,就会导致律师量化管理的不断泛化,负面效应会逐渐增大。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03