“大数据技术+”与人力资源量化管理的研究展望与多维分析

王萌萌

(中共重庆市委党校，重庆400041）



“大数据技术+”与人力资源量化管理的研究展望与多维分析

王萌萌

(中共重庆市委党校，重庆400041）

［摘要］大数据浪潮席卷而来，人类社会已经进入了大数据技术发展及应用的新时代，也为人力资源量化管理带来新的变革。依据中国人力资源管理现状，从“大数据技术+”的角度分析了当前人力资源量化管理的现状及未来发展的瓶颈，建构了一个涵盖“数据采集”、“数据挖掘”、“数据可视化”三大程序的人力资源量化管理框架体系。“大数据技术+”在人力资源量化管理的实践中面临许多瓶颈，主要是在人力资源量化管理的理念、技术、人才、管理上，需要进一步发展与研究。

［关键词］大数据技术+；人力资源；量化管理

一、引言

快速发展的移动互联网，使得每个人与每个组织的行为轨迹都纳入到互联网之中，由此产生海量的、低价值密度和多样化的数据信息，与人力资源管理相关的数据更是迅猛剧增中。大数据浪潮已然席卷而来，数据已经深植社会各个行业和业务职能部门，大数据是企业未来发展的战略性资源。大数据时代的开创性人物——数据科学家维克托·迈尔·舍恩伯格在《大数据时代》中强调：大数据技术是推进医疗改革、交通管理、基础设施和公共服务的重要技术支撑［1］。大数据技术带来的数据思维与技术应用正逐步改进人力资源管理的管理思维与企业的“数据革命”。通过对“互联网+”概念的延伸，结合大数据时代需求得出“大数据技术+”概念。“大数据技术+”人力资源量化管理是大数据时代需求和人力资源管理革新的交融，是一种新的人力资源数据处理技术、管理模式与管理思维。如何确保量化管理的科学性、精准性也成为人力资源管理最为关键的问题，关键在于数据的采集、挖掘与可视化等大数据技术的应用。运用大数据技术提升人力资源量化管理的能力，是人力资源管理2.0语境下的创新。

二、人力资源量化管理的数据层面

人力资源管理最为关键的问题在于数据的采集、挖掘与可视化等大数据技术的应用，大数据技术运用的前提依据是人力资源相关数据的保障。抓住数据、理解数据与分析数据是人力资源管理下一次变革制胜的关键。

（一）人力资源量化管理实践中的数据问题

人力资源管理是一项关乎组织未来发展的系统工程，建立在一个科学规划的管理体系之上，而人力资源相关数据是该系统中的关键因素。相关人力资源政策及其管理活动，多是依据管理层的主观经验或者常规性基本数据（员工信息等）、各职能模块的内外部信息（绩效数据、人力资本数据、培训需求数据）、专家调查测评数据等传统方式获取数据，以此开展人力资源管理［2］。大数据时代各个组织存在于动态化、立体化环境中，员工复杂的个体“异质性”诉求与心理行为极为突出，数据往往是这些个体动态变化的行为轨迹。实际证明，传统的常规性数据获取方法具有一定的局限性及主观性，获取的数据也难免碎片化、片面化、单一化、静态化，致使人力资源管理在预测组织未来人力资源趋势，员工成长曲线、员工离职倾向等层面极为困难，难以彰显其科学性、全面性及前瞻性。企业能否获得数据，如何分析数据与运用数据，直接影响到企业的人力资源需求预判、决策的科学性及管理的前瞻性。应借鉴大数据时代的数据理念，根据企业的实际发展情况，从多渠道采集、挖掘、分析相关人事业务信息等，探索全面的数据管理，通过数据提高企业的人力资源管理“价值”与“智慧”。

当前，尽管部分企业在人力资源量化管理上已着手人力资源管理平台的数据采集，但多停留在结构化的数据表格上，极少关注非结构化或半结构化数据，如访问量、视频与图片信息等数据，极易忽略管理中员工关系网中的复杂多变、其隐含的多元诉求与行为特征趋势等。单一的结构化数据使得人力资源管理总是误差较多，决策政策不够科学全面。大数据技术为改善人力资源量化管理提供了现实可能和改革动力。研究运用大数据的目的是分析复杂组织网络中的个体及群体性行为与心理态势、员工特质与业务绩效的关系，运用到人力资源战略管理中，其预测的前瞻性价值就是对人力资源相关数据进行关联分析，不仅关注因果关系，更关注其相关关系。根据大数据时代的数据理念，将改变只关注与组织战略目标相关的抽样数据分析的有限方式，变为关注挖掘总体数据，包括看似不相关的员工个体爱好、体貌特征、以往行为习惯等综合数据，为系统分析所蕴藏的个体行为趋势及组织文化开拓空间。换言之，人力资源量化管理的数据不应局限于结构化的、表层的、“看似因果关系”的抽样数据，更须关注全面的、动态的把握组织中相关关系的综合数据。

（二）既有人力资源量化管理工具方法的拓展

不同行业领域人力资源量化管理都面临着不同程度的数据采集时效性与数据分析不足的局限，进而制约其人力资源管理的整体质量，导致人力资源供求出现问题，或人力成本居高不下等问题。改善数据采集与分析的质量是人力资源量化管理研究实践的必然选择。根据理论研究与企业实践现状，尽管对于人力资源量化管理测评方法和管理工具的使用有差异，但其技术均基于定量技术与定性技术，有部分学者提出建立完善的人力资源管理系统指标体系的建议［3］。在企业选人、育人、用人与留人环节上，一般采用现场面试与专家测评等方式，易受到个人主观经验的制约。更理性的管理工具是指标考核，依托于考核模型和关键指标体系，将抽样数据计入模型而达到高效配置人财物的目的。此类数据分析工具也面临着信度和效度的测评局限，该工具的指标体系筛选争议较多。针对人力资源管理系统的指标设置、权重等未经科学论证，存在一定人为操作空间。而抽样数据及其指标的静态性，也使得该工具难以摆脱时效性差、信度与效度低的困局，制约了人力资源管理的前瞻性。尤为重要的是，基于线性因果关系的管理体系忽略了对组织文化和员工心理趋势的监测。

数据信息爆炸时代下，当前的人力资源管理工具已跟不上数据应用需求的步伐，大数据技术的运用成为必然。大数据技术从全体而非抽样的、动态的、海量的人力资源管理数据中，挖掘其隐含的规律，预测其未来管理与战略规划趋势，以提高人力资源量化管理价值的目的。如Google运用大数据技术，根据调研大量的内部员工建立一个数学模型，这一模型辅助Google从十万多份简历中高效找出较为合适的简历，有效地提高招聘工作的速度与效果。因此，获取动态数据、多源数据、多结构数据的能力，将决定着未来人力资源管理部门的地位与价值，重视运用大数据技术进行数据预处理、数据分析挖掘等。

三“大数据技术+”人力资源量化管理体系概念框架

一直以来，人力资源量化管理是个难题。大数据时代背景下，运用大数据技术可促进人力资源的量化管理，使其创造更大的战略价值，形成对业务部门的战略性支持。为此，必须转变传统的人力资源管理体系，探索“大数据技术+”人力资源量化管理体系，帮助组织人力资源部门开展“数据多维采集”、“数据挖掘分析”、“数据可视化”。通过数据找到人才管理和劳动生产率之间的联系，推进企业人力资源管理模式的转型。

（一）数据多维采集

“大数据技术+”人力资源量化管理的基础在于数据的时效性、连续性与全面性。在人力资源管理的模块众多，从战略规划、招聘培训、绩效考核、薪酬管理、劳动关系、企业文化等环环相扣，数据的多维采集决定着人力资源量化管理的整体效果。通过多种技术方法采集那些种类复杂的数据信息，是大数据技术应用实践中最为基础的部分。数据多维采集是指拓宽人力资源量化管理在数据分析上，所需要的多模态数据来源及采集渠道，获取人力资源实时数据的采集与监测，确保相关数据的时效性、连续性与全面性。

数据的多维采集是人力资源量化管理进行数据处理的初始阶段，这一程序需要人力资源管理部门转变常规的“样本”采集思维与静态的“报表数据”采集行为，变为采集“源数据”与“全貌”采集思维与行动，实现数据立体、动态、多维的采集原则。不仅关注代表企业人力资源现状的基本事实数据，如人力资源基本数据、相关问卷与量表、考勤记录等等常规结构化数据。还要关注网页、监控视频、图片等半结构化与非结构化数据，如员工微信、微博聊天的关键词，可以提取其心理态度与工作协作度等［4］。大数据背景下，人力资源管理可以有效运用的数据采集工具主要有搜索引擎分类工具与分布式计算系统等。尤其是互联网的普及，通过互联网在商业信息网站与竞争对手网站等搜集信息有利于加强人力资源动态数据的采集范围与精确度。采集的数据内容应呈现多维度：一是代表企业人力资源活力的动态数据如核心岗位招聘周期与市场行情的关联关系；二是代表人力资源质量的分析数据；三是人力资源项目投资回报率相关的数据；四是人力资源管理活动的时空序列数据，即跨地区、跨年度的关联性数据，通过数据获取企业人力资源管理活动演化的规律。

（二）数据集成挖掘

从纷繁复杂的海量数据中发现数据价值、寻找数据规律、预测未来趋势是大数据时代最为主要的理念。大数据这种挖掘数据规律和预判未来发展趋势的价值追求符合人力资源量化管理的价值目标。数据集成挖掘是人力资源管理量化管理的核心，即运用专业化手段实现采集数据的清洗去噪、分解整合、关联性分析、聚类分类、倾向性趋势分析与模式识别等，逐步提取有价值的数据，深入分析组织内不同部门和职能间的人力资源现状与趋势。

大数据的重要特征之一即多样性，同时数据采集的多维性也注定了数据类型和内容极为复杂，必定存在诸多杂质。如员工心理与行为数据，有员工对人力资源管理工作的心理反应数据，也有与此毫不相关的繁杂琐事、错误信息等数据，这就要对相关数据进行“去噪”，以防其数据关联性分析造成干扰。对数据进行“去噪”多少是在数据挖掘中设置数据过滤器，运用聚类与关联性规则将多余数据去掉。为提升数据运行速度，可开展分类数据库的设置。原始数据的初步处理技术有序列模式挖掘、数据智能算法、云计算和数据高级统计等。

人力资源量化管理的目标是人力资源精细化管理与规划，因此在数据挖掘中，应提取出人力资源各模块数据信息之间的关联度，这需要聚类方法的应用支持。聚类法是指在混乱复杂的数据库中，根据核心数据指标特征，如绩效数据的员工信息、发生时间、地理分布、培训需求、满意度等，将类似特征的数据信息划为同类，并且根据数据特征组成不同的数据类，以便进行标记分析挖掘。数据挖掘而来的模型，可通过数学公式或判定树等来表示。数据模型将大大地提升后续新数据的分析效率，通过输入相应模型，快速的预测其人力资源管理的现状及趋势。但是员工心理态度与行为变化的易变性，员工心理数据的挖掘分析常常是不够全面的，这是影响人力资源量化管理的一个局限。

（三）数据可视化

“数据可视化”是指为便于有力的呈现数据挖掘分析的结果，通过借助一定工具以可视化的形式呈现，作为相关管理决策工作的基本依据。人力资源管理者最关注的可能并不是数据挖掘的细节与过程，而是对数据分析结果的展示与解释，在意人力资源量化管理现状、趋势判断和相关管理建议。在人力数据多维采集和数据集成挖掘程序基础上，人力资源量化管理还应运用“数据可视化技术”，是数据挖掘结果最直观的呈现方式，可直接揭示大数据隐藏的规律与价值，便于人力资源管理工作人员对大数据分析结果的理解和认同。可视化技术一般包含集合技术、图标技术、像素技术和分布式技术等。

通过可视化技术，可直观有效辅助企业管理者与人力资源管理部门进行人力资源管理与规划。在利用大数据工具对数据可视化结果的解读中，还应鼓励多部门参与到信息协同机制中，鼓励聘请专业人士对数据分析结果开展客观的论证，增强数据分析的客观度与精确度。

四、“大数据技术+”人力资源量化管理的多维分析

当前人力资源量化管理面临着大数据时代需求压力与传统人力资源管理困境的局限，同时大数据技术也给予人力资源管理更大地创新潜力和管理空间，是人力资源量化管理的发展，也是转型。

（一）技术：数据质量的前提条件

保障大数据挖掘分析数据效能的前提是有海量、低密度、高质量的数据，也只有这样，大数据分析工具才能挖掘出潜在的、精确的、高价值的数据规律与数据信息，人力资源管理部门做出管理活动才会取得预期的效果［5］。当人力资源量化管理数据从结构化数据转变为包含结构化数据、半结构化数据与非结构化数据时，数据从静态化文本转变为多维（图片、网页等）形式，数据可能存在杂质与冲突的地方，也可能是无效的数据信息。要对海量复杂的数据种类与内容进行筛选与处理，是一件困难的工作。基于大数据多样性需求，单一的数据结构已经远远不能满足大数据存储的需要，人力资源管理部门需专业的数据库技术和专门的数据存储设备，以保证数据采集及存储的有效性与完整性。目前我国政府部门人力资源管理数据多以结构化数据为主，主要用的传统数据存储设备，如关系型数据库，对非结构化或半结构化数据，需要进行二次转变再行存储处理，该过程对数据质量有很大的时效性与整体性损耗。同时，大数据具有低价值密度的特征，网络采集的数据往往伴随着大量冗余、错误的数据，对真正有用的人力资源数据信息造成干扰，影响数据挖掘与分析［6］。因此，清洗数据需要更加高效且专业化的工具。传统的数据存储与处理技术已然无法应对数据挖掘工作。事实上，当前国内一些地区政府部门对于大数据相关技术的运用多集中于分布式存储及并行计算方面，这对基于“大数据技术+”人力资源量化管理实践造成了较大的阻碍。

（二）资源：数据挖掘的必要基础

目前，人力资源管理的数据采集工作，基本停留在专家考评、日常记录数据、调研问卷等“样本”采集阶段，仍未达到运用大数据技术开展数据采集和挖掘的层面，政府人力资源管理工作更是处在大数据浪潮的尾部，专业的人力资源量化管理数据挖掘人才极为缺乏。加之大数据本身的复杂性与专业性提高了“大数据技术+”人力资源量化管理的难度。掌握大数据挖掘技术，同时又熟悉人力资源量化管理操作程序与政府运作规则的综合型人才，是当前推进“大数据技术+”人力资源量化管理应用最急缺的人才。相反当前部分企业如谷歌、百度和腾讯等，早出现了“首席数据官”等中坚群体。

大数据时代背景下，未来各层级政府可在内部设置大数据人力资源数据信息监测分析部门，并设置相关培训部门负责培养相关的复合型人才。要求按照各政府组织部门的实际需求选择合适的数据库及数据采集、清洗工具与挖掘技术，并根据数据挖掘结果，形成可视化结果对人力资源管理活动提出建议与对策。政府部门亦可将该项业务进行外包或进行公私合作，鼓励企业，如百度、腾讯等数据密集型企业的参与到其中，联合开展“大数据技术+”人力资源量化管理应用开发。

（三）管理：数据公开共享的组织保障

大数据浪潮来袭，企业组织结构的拓展及外部环境的变迁，职能部门之间的数据共享与人力工作协调成为极为关键的一环［7］。企业人力资源管理的最终目标是实现组织的长远发展和当前企业和员工绩效的提高，“大数据技术+”的引入与运用的目的也应当是朝着这两个目标努力。部门间的数据信息共享是促进“大数据技术+人力资源量化管理”的前提基础。海量的、多模态、多源性的和异构性数据是进行整合性挖掘，获取人力资源潜在价值的前提基础。假设缺乏数据公开与共享的支撑，那么数据处理工具与平台建设将毫无用处，人力资源量化管理目的也很难实现。当前不论是企业组织还是公共部门，其内部都是以封闭独立的部门为主的“信息孤岛”，数据信息共享的意识及管理流程缺乏。为实现数据信息共享与互通，必须转变组织管理思维，进行组织结构与流程再造，打破固有的碎片化管理思维与部门岗位间的限制，提高组织的协同效率，保障数据的可获取性与共享性。这就标示着大数据时代人力资源管理日益呈现出协同化、多维化与智能化特征，其模式将由职能型向流程型的转变。可搭建组织内部的数据化平台，或借助外力购买“大数据技术+”人力资源量化管理的外包服务，促进大数据时代的人力资源量化管理。人力资源管理的数据化与智能化管理，将大大提升其工作效率，节约成本。

（四）理念：人力资源管理的主体思维

大数据思维，即将每一个数据视为一个信息节点，以一定的科学手段，通过分析数据网络间裂变式的传播交互路径，重点挖掘其中蕴含的具有重要价值的数据及其隐含的规律［8］。思维、技术、数据是拉动大数据应用研究的三驾马车，思维是发动机。共享开放的数据思路，是使用数据进行创新管理的根本。

大数据背景下人力资源管理不仅仅面对技术层面的障碍，更深层次障碍在于组织内部人力资源管理思维的转型。一直以来，传统管理经验式管理思维与管理手段占据主导位置，惯有的数据采集思路即根据框架采集相应的数据依然落后，缺失“循数治理”的数据管理观念。这使得“大数据技术+”人力资源量化管理的理念在应用实践层面将遭遇一定的困难。尤其是在公共部门的原有行政观念下，如果管理者缺少数据管理思维与变革意识，缺乏对“大数据技术+”人力资源量化管理价值的正确认识，将直接导致大数据技术的应用研究滞后，价值挖掘与技术创新也无法得到保障。大数据时代人力资源管理者对数据的处理能力决定了他们的地位，数据管理思维中的变革及管理角色的转换，加深了他们的恐惧，使其试图退回所谓的“安全区域”［9］。实践证明，在大数据浪潮中赢得先机很关键，谷歌的人力资源管理者已然转变角色，变革思维，使其人力资源管理工作彰显了智能化、核心化的价值。管理者应具备大数据的思维模式，从大数据技术中掌握新的技术手段，扮演更为主动的角色，建立开放视野和专业素养能力［10］。以此推进组织变革与流程再造、及其决策方式的创新，从战略的层面思考才能获得核心竞争力，赢得新的生机与优势。

五、结语

大数据技术的应用为人力资源量化管理带来新的契机。但是与传统人力资源管理数据采集分析思维与流程不同，强调数据采集多源性、内容的多维性、数据量全面性、数据时效性等，数据的多维采集、集成挖掘与可视化面临重重挑战，而大数据质量的保障已成为当前人力资源量化管理的重大障碍。加之企业与公共部门管理者的大数据思维及工具技术、数据应用体系尚在探索或试验阶段，“大数据技术+”人力资源量化管理的应用研究道阻且长。但是我们应看到，大数据技术为人力资源量化管理的研究开拓出新的发展机遇与应用前景。未来依靠大数据技术可以有助于提高人力资源管理的核心价值与探索其潜在规律，其智能化与数据化的管理模式也将使得人力资源管理以商品化的应用创造新的商业模式。

参考文献：

［1］维克托·迈尔·舍恩伯格，肯尼思·库克耶.大数据时代:生活、工作与思维的大变革［M］.杭州:浙江人民出版社，2013.12-72.

［2］唐魁玉.大数据时代人力资源管理的变革［J］.中国人力资源社会保障，2014，（3）.

［3］李越恒.企业人力资源管理基于大数据的“挖掘”［J］.人力资源管理，2015，（5）.

［4］王群，朱小英.大数据时代企业人力资源管理创新思考［J］.沈阳工业大学学报(社会科学版)，2015，（3）.

［5］李琳.大数据时代人力资源的创新管理［J］.领导科学，2014，（10）.

［6］王姗姗.大数据时代对人力资源管理的影响［J］.中国管理信息化，2015，（2）.

［7］杜娟.大数据时代企业人力资源管理变革的思考［J］.中国管理信息化，2015，（5）.

［8］和云，安星，薛竞.数据时代企业人力资源管理变革的思考［J］.经济研究参考，2014，（11）.

［9］李志华.以价值量化管理:激活基层组织人力资源效能［J］.中国人力资源开发，2013，（11）.

［10］涂子沛.大数据:正在到来的数据革命［M］.桂林:广西师范大学出版社，2013，.349-351.

［中图分类号］F249.23

［文献标识码］A

［文章编号］1009-6566（2016）02-0031-05

［收稿日期］2016-01-04

［作者简介］王萌萌（1989—），女，河南开封人，中共重庆市委党校行政管理专业硕士研究生，研究方向为公共管理学和管理博弈论。