
当人力资源管理遭遇“大数据”_数据分析师
如今“大数据”时代已经来临,由于大数据的数据源充分,并且具备抓取能力强、刷新及时等特点,在大多数领域都能精准地指导资源分配,因此无论工作还是日常生活,都离不开“大数据”的支持。在企业管理中,很多公司都开始运用大数据来整合和管理人才。
“大数据”早已应用 只是缺乏推广
“‘大数据’是在硬件平台的基础上,采集大量的数据,为企业的决策和支持,进行很多数据的分类和挖掘,”曹轶凝首先对“大数据”做了解释,“目前每天的数据增长量很快,根据这个数据分析,得出我们想要的结果。这是主流,比如网购、车票,甚至高速公路的统计,都用到大数据,它是与我们的生活分不开的。”
曹轶凝的说法得到了董锴的认同。“实际上在上世纪70年代,大数据就已经得到应用了,包括企业的智能化、信息化等方面,只是那时候因为数据存储困难、存储量大,缺乏大数据的支持,所以得不到推广。”董锴进一步解释说,数据是被记录下来的符号,本身没有什么作用,但如果把数据解释成人力资源工作中所需要的某些方面,那么就产生了不同的效果。“在很多猎头公司和大型招聘网站,都有类似的数据储备或数据库,但对于单独企业来说,只掌握自己公司员工的数据,对企业外的人才掌握的很少。”董锴补充说,“当人数特别巨大时,我们可以分析出一些东西,对人员结构、未来发展和人才支持,大数据都能产生积极作用。”
“在人力资源工作中,最大的问题就是哪些环节会借助到大数据。数据越多、越大,得出的结果越精准,因为它把各个方面都考虑到了,最后得出一个‘合理值’。作为HR,借助大数据到自己的企业中,把自己想要的内容与数据结合到一起,得出结论,帮助自己制订计划。”
在人力资源管理中用途广泛
在此之前,杨丽云与同事探讨过大数据在人力资源工作中的作用。“比如一些招聘网站、企业培训等,都需要有数据的支持,甚至在薪酬方面的调研、工作计划等,尤其是全国性调研,需要后台大数据的支持,才能从中得出自己想要的关键数据。”因此,杨丽云认为,大数据对每个企业的HR来说非常有用。
对杨丽云的话罗直深有感触。10年前,罗直在上海的一家集团公司做人力资源,当时罗直请了一家数据开发公司做系统。那家公司为罗直公司设计了一个大型框架系统,任何信息都可以按照自己企业的实际情况自动调整。“我们的集团比较大,全集团有几千人,到我离开的时候已经有100多个子公司了,这样庞大的数据如果用Excel表进行手工统计,根本是不可能的事。”罗直说,当时他就跟开发公司商量做这套系统,将全集团每个人的晋升、调动、职业通道,甚至家庭背景,都整理出一套方案,然后将它们与企业内部需求、组织结构结合起来。“这个系统对我的工作帮助非常大。”
“如果HR能够对每个员工70%-80%的信息都了如指掌,那对企业管理来说是件好事。”刘桂平也说出了自己的观点,如果把一个员工的状况和每天的行程都记录下来,一年之后,这个人就完全“透明”了,管理者可以对该员工的未来发展、能力、前景、积极性等进行分析,那么这个员工的发展就是可以预测的。
对此,马淅濛也表示,管理者想要了解哪个员工,只要把他的资料调出来,那么他的兴趣爱好、曾经做过什么、跑过哪些城市、谈了什么业务,这些信息就会完完全全展现在眼前。
有方便之处 也有“可怕”之处
“数据的可怕之处在于,你自己都不记得、不知道做过什么,可它比你记得还清楚。”李朝阳发表了自己的看法,“因为它不只是一个数据库,而是多个数据库串联组成的具体资料。”
“大数据固然方便,但信息安全问题也不容忽视。”董锴接着抛出自己的看法,如果人力资源的数据完全公开化,全部汇总到一个数据库,实际上是实现了整个社会人力资源的最优配置,是理想化状态,但其安全性、隐私性则不容易把握。
这种观点得到了大家的认同。侯荩说,她所在的猎头公司拥有庞大的数据库,能拿到很多“先机”,掌握着大量的优秀候选人信息和大量的企业信息。“安全性是我们非常重视的。”侯荩说,如果这些信息被别人拿走,这对于企业来说是致命的。“如果他们拿走做不好的用途,那么信息源在我们这里,后果是不可估量的。对候选人和客户也会造成损失。”因此,侯荩的公司所采取的方法是禁掉所有外网。“没有特殊情况是不允许登录外网的。”
“我有个客户,他的公司数据量就很庞大,只要给出一个模糊的信息,半小时之内就能把这个人找到。”罗直说,“所以这个公司有摄像头,老板监控员工的一举一动,技术方面还有一个定期监控系统,每隔30分钟或一小时,系统就会自动给电脑拍照,图像自动储存。”罗直解释,这种监控设置又会形成一个庞大的信息库,一旦出现问题,可以从这个信息库中找到责任人。
归根结底只是一种辅助工具 最终决策该由人决定
“大数据是趋势,目前它已经运用到很多领域了,但延伸到人力资源管理中,还不是很得心应手。”马淅濛说,“在人力资源管理中,要看我的这些数据对于我所需求的、所设定的项目,哪些与之匹配,抓取数据进行分析,使其产生帮助。但以目前来讲,大数据给出的分析大多是宏观的,还不能给出比较具象化的结果。”
“比如企业内部对每个员工的关注。”罗直举例说,“如果大数据可以分析整个企业对于人的使用、岗位的设置、组织结构、用人政策等,这一系列信息就会形成海量的数据库,一旦有人提出需求,数据库就会自动开始匹配。我觉得这可以是将来的一个趋势。虽然做得不算太好,但我知道已经有企业开始尝试这样的方式了。”
“大数据的应用应该根据HR的经验和方法,以及公司在特定阶段的需求来决定。”曹轶凝接着说,IT行业给出的只是一些已经成型的算法,把这些数据推荐给企业,但行业内部的需求,需要行业内部的人来判断和提供。这些数据只具有借鉴意义,最核心的决策权还是应该掌握在HR手里,大数据只是一种辅助决策的工具,即便再有说服力,最终的判断标准还是要依据HR的经验和需求。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 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 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02