People Analytics
【美国】Leena AI获得800万美元A轮投资，全力打造HR聊天机器人
据外媒报道，11月2日Leena AI公司宣布获得800万美元的A轮融资，由Greycroft领投，并得到了一些个人行业投资者的帮助。
公司首席执行官兼联合创始人阿迪特·贾恩（Adit Jain）说，在过去的几年里，该公司已经进入了更广泛的人力资源服务领域。"我说的是拥有一个智能的案例管理、知识管理和文档管理系统，这也是对虚拟助理的支持。"Jain解释道。
2018年，该公司将专注于为与人力资源相关的问题构建智能的虚拟助手。它允许员工询问机器人问题，例如他们离开了多少个假期或今年休了哪些假期。Jain认为，用户应该将其视为一个完整的系统，其中聊天机器人是员工与后端HR信息进行交互的用户界面。
在2018年9月，Leena AI拥有16个客户，到今天，该公司在全球范围内拥有100个企业客户，拥有300,000名员工。
实际上，COVID-19大力推动了公司业务发展，今年有超过一半的客户加入了该行列。随着员工在家中工作的增多，公司正在寻找数字化流程（例如人力资源）的方法。
随着今年业务的增长，公司的员工人数已从30名增加到75名，他希望在明年将这个数字翻一番。正如他所言，他已经与主要投资者讨论了如何在Leena AI建立多元和包容的文化。
他正在试图做的一件事是从一群不同的投资者中筹集资金，大约40万美元，他希望这些不同的投资者能够帮助他在公司发展过程中增加员工的同时，建立坚实的多元化项目。
这家初创企业不仅在这一动荡时期成长，而且还茁壮成长，这说明企业正在寻求企业技术体系每一个部分的现代化，这其中包括人力资源。
以上为AI翻译，内容仅供参考。
People Analytics
People Analytics
科技正在改变人力资本分析，这会是好事情吗？
Tech Is Transforming People Analytics. Is That a Good Thing?
一个世纪前，弗雷德里克-泰勒的《科学管理》为现代人力资源奠定了基础。他的核心前提是，组织应该把工作场所变成现实世界的心理学实验室，测量和监控员工的一举一动，以提高他们的绩效，降低他们的压力水平。这一范式具有革命性的意义，并促使亨利-福特等著名工业家在人类工程方面进行了前所未有的创新，创造了具有开创性的流水线，并提出了优化角色、任务和工作设计以提高员工生产力的科学公式。福特汽车公司等大公司成为应用心理学的试验田，循证人力资源应运而生。
快进100多年，这都是泰勒的注脚。一些最大、最成功的企业，如谷歌、微软等，都在加紧研究数据科学，招募了一支工业/组织心理学博士大军，并加速数字化转型，围绕人工智能和大数据部署智能技术，以改善人才管理系统。人力资本分析时代已经到来，在COVID-19之前，它已经很发达了。但在一个越来越虚拟（甚至可能只是虚拟）的工作世界中，可用于了解和预测员工行为的数据量将继续呈指数级增长，从而为通过技术和数据进行管理提供更多机会。
从广义上理解，人力资本分析是致力于追求数据驱动的关于组织员工队伍的洞察力的人力资源职能--是的，人力资源的极客部分。把数据看作是员工行为的数字记录，而人力资本分析则是将这些数据转化为可操作的洞察力，从而提高组织效率的科学。大多数组织都坐拥丰富的数据。我们一再听到 "数据是新的石油"，但没有洞察力的数据是没有意义的--只是0和1。你需要正确的框架、模型或专业知识来确保数据获得意义，而下一阶段的工作是在这些洞察力的基础上采取行动，在组织中创造数据驱动的决策、变革和数据导向的文化。因此，人力资本分析是一种刻意的、系统的尝试，目的是使组织更加以证据为基础、以人才为中心、以业绩为中心，人们希望，这应该使组织更加有效。
考虑到员工体验，传统上是通过年度调查来评估的，重点是工作满意度或员工参与度。尽管这些衡量标准与工作绩效呈正相关，但相关性通常很小（表明参与度与生产率之间的重合度不到20%），而且与员工的个性等不相关因素混为一谈。等待一整年的时间来评估士气是上升还是下降也是不合理的，为什么不更定期地监测呢？
这也是更加定期的 "脉搏调查 "和员工倾听工具开始流行的地方，并能迅速地推动真正的行动，使员工和企业受益。像Glint、CultureAmp、Qualtrics和Peakon等公司都能够帮助企业定期为员工 "把脉"，实时了解员工的参与度和员工情绪。虽然员工倾听已经出现了一段时间，但在应对Covid-19危机时，它更加流行。荷兰合作银行、默克公司和澳大利亚国民银行等公司都在利用员工倾听来了解员工如何应对新的远程工作安排，他们对支持的需求如何变化，以及他们对重返工作岗位的偏好是什么。通过使用分层抽样（一种替代随机抽样的方法，使数据科学家能够将给定的样本划分为 "层"，以便对人群进行预测）和自由文本评论（将单词和词频解码为情绪情感或不同心理特征的软件）和讨论板的文本分析等技术，公司可以在快速变化的环境中获得有价值的洞察力，了解什么对员工来说是重要的，同时避免调查疲劳，并保留个人层面的匿名性。
另一个重要的问题，特别是在目前的情况下，就是是否可以利用新技术来保证人们的安全，监测他们的精神和身体健康。目前，人们正在广泛讨论雇主如何使其工作场所安全，并确保在封锁后的阶段健康地重新开放办公室，这不仅仅是通常的措施，如温度检查或社会距离，可能会有所帮助。公司正在通过多种方式实施新技术来支持员工。可穿戴设备现在可以监测压力和焦虑，如果员工选择分享这些数据。可以部署聊天机器人，询问你的情绪状态并提供建议。当然，同样的信息也可以用来支持或控制人们：如果你知道某人的感受，他们的生理和心理状态是什么，这些信息很可能被用来帮助他们，让他们变得更好，或者，人们希望不要操纵他们，控制他们。只要技术能够让其他方面或个人洞察你更深层次的情绪状态，都是如此。
最值得注意的是，"跟踪和追踪 "应用，如美国谷歌和苹果公司开发的应用，在应对疫情时，一些ZvF（如你懂得、新加坡和以色列）立即部署了这些应用，雇主很容易采用这些应用来监控和改善人们的健康状况。同样，学术界也在与可穿戴式创业公司合作，比如Oura戒指和UCSF，将人们已经分享的生物识别数据--当然是自愿的--转化为Covid-19风险档案。将这些创新视为数字等同于当你到办公室时检查你的体温，或者让医生在现场检查关键症状。虽然这些措施是有争议的，因为它们有可能侵入人们的个人生活，并劫持他们的隐私和匿名性，但它们越来越多地被大型雇主采用，而且随着我们的物理生活和数字生活本身的界限开始变得模糊，我们越来越难以看到那些数字的区别，以及那些模拟或物理的区别。
另一个关键目标可能是提升员工的绩效或生产力。在大多数组织中，这将始终是主要目标，即使公司非常关心士气和福利，主要是因为他们认为这些东西与绩效相关。然而，这也是监控的 "毛骨悚然 "因素开始发作的地方。随着手机、传感器、Alexa、可穿戴设备和物联网都有能力检测和记录我们的举动，而真正离线和脱离雷达的机会相当少，这一切可能很快就会变得相当有侵犯性和像大哥大一样。例如，现在一些公司正在寻求推出更具侵入性的监控软件，这些软件可以在员工工作时进行截图，可以追踪人们的行踪，以此来追踪生产力，监控一夜之间变得远程的劳动力。今年早些时候，普华永道因开发监控来追踪员工是否离开电脑而招致不少批评。
其他公司正在考虑开发监控工具，以监测COVID-19病毒在办公室内的传播情况。但是，当我们看到为应对COVID-19而增加使用监控技术时，员工将不得不做出怎样的权衡？如果在保护员工健康的幌子下，这些工具成为强制性的，那么员工如何确保他们的隐私会受到保护，他们的数据不会被用于其他目的？这就是人力资源部门必须介入的地方，并推动对话，解决员工的信任、企业责任和任何新技术的道德影响，在员工、经理和企业的需求之间取得平衡。
虽然我们仍处于这场革命的初期，但在人才管理的每一个主要垂直领域都取得了明显的进展，出现了一系列新颖的工具和技术，在某些情况下，这些工具和技术得到了科学的支持。如果领导者能够在其组织中灌输一种信任、尊重和公平的文化，并根据最强有力的道德和法律参数（这不是一个小的 "如果"）来部署这些新兴的创新，那么就有真正的机会使工作显著改善。
在公司考虑新技术或人力资本分析项目时，仅仅希望道德规范处于最前沿是不够的。在我们看来，企业需要为人力资本分析采用一个道德章程，帮助他们明确规定什么该做什么不该做，就像为客户或财务数据的使用制定准则一样。为了建立和维护员工对人员数据使用的信任，组织需要正面解决道德和隐私话题，在如何使用数据方面对员工公开透明。
毫无疑问，技术加上近乎无处不在的工作和工作相关行为的数字化，有可能帮助组织大规模地监控、预测和了解员工的行为（和想法），这是前所未有的。同时，这些技术以不道德或非法的方式部署，也允许雇主控制和操纵员工，违反信任，不仅威胁到他们的自由和士气，还威胁到他们的隐私。防止这种情况发生的唯一方法是严格执行适当的法律和法规，确保员工始终处于驾驶位置，能够授权雇主使用他们的数据（或不使用），并从从中获得任何见解和知识。可以肯定的是，在对雇主有利的事情和对员工有利的事情之间，并不存在逻辑上的矛盾。但是，强迫人们做出某些行为，或使用他们的个人数据来对付他们，这种诱惑比人们想象的更真实。
作者：Tomas Chamorro-Premuzic Ian Bailie
仅供参考，版权归HBR所有。
People Analytics
People Analytics
如何打造HR的数据驱动文化？
"数字化转型 Digital transformation "是一个我们都很熟悉的词语。实际上每个组织都在经历着自己的转型--如果说在疫情前他们行动迟缓，那么现在他们肯定已经被扔进了数字化的深渊。
面对数字化转型的核心，是需要面对汹涌而来的数据，并对其进行理解。数据分析、大数据和人工智能几乎是每个企业都在投资的项目类型。在NewVantage Partners关于大数据和人工智能应用的2020年版年度调查中，几乎所有的受访者（98.8%）都在这样做。然而，超过90%的受访者表示，成为数据驱动的挑战在于人员、流程和文化--而不是技术。
数字化转型和文化相辅相成的想法是我们熟悉的另一个概念--即使它没有被接受。德勤关于成为洞察力驱动型企业的研究提出了一个令人信服的论点，即企业的成功与数据驱动型文化密不可分。对数据驱动的洞察力和决策具有最强文化导向的组织，其大幅超越业务目标的可能性是前者的两倍。
虽然人的变化肯定比技术变化更具挑战性，但这是组织经历的一个不可避免的过程，以成为真正的数据驱动
人力资源部门在向数据驱动和数字化转变的过程中，也面临着同样的挑战。在Insight222的2019年研究中，60个国家的82%的受访者都非常认同人员分析能驱动商业价值，然而只有23%的受访者非常认同自己的公司正在建立人力资源部门的数据驱动文化。
文化是什么......不是什么 What Culture is… and what it is not
我们将本文的其余部分专门讨论如何在人力资源中建立数据文化。要说明的是--这不是讨论如何开始使用人员分析。作出这种区分是很重要的，因为讨论数据文化完全需要把成功采用人力资源分析的其他五个方面放在一边。
这六个维度之间的界限往往模糊不清--缺乏对文化的专门关注只是组织发现文化变革难以实现的原因之一。
因此，在我们开始讨论如何在人力资源中建立数据文化之前，让我们把文化的定义放在影响人力资源中成功采用分析方法的其他五个维度中来进行阐述
Capability – analytics skills and knowledge
Confidence – feelings toward analytics
Culture – the organisation’s underlying beliefs, assumptions and values toward analytics and ways of interacting
Mindset – attitude, opinions and ways of thinking for analytics
Training – interventions to support analytical development
Organisation – the formal structures to support analytics
能力--分析技能和知识
信心--对分析的感受
文化--组织对分析和互动方式的基本信念、假设和价值观。
心态--分析的态度、观点和思维方式。
培训----支持分析发展的干预措施
组织--支持分析的正式结构
让我们从人力资源专业人员的角度来分析一下文化的四个组成部分。
信念
人力资源分析很有价值
我的专业的未来取决于变得更加数据化和数字化。
或
HR到现在为止一直做得很好，我觉得没有必要改变
假设条件
人力资源部门的分析只是技术派的事，我不必担心
我永远也无法提升技能成为一个数据分析师，所以我想变得更有数据驱动力也没有意义。
可能不值得在人力资源分析上投入时间和资源。
人力资源分析真的很难实施
价值观
操作性强
关心人
定性证据高于定量证据
证据驱动
互动方式
数据驱动的对话......还是不做？
数据驱动的决策......或不
"这一切都始于对公司想要建立的文化的正确定义，以满足客户的需求。一旦明确了当前的文化如何偏离这一理想状态，组织就可以开始设计和优先考虑他们的文化之旅，包括不同干预措施的最适当时机。"
如何打造HR的数据驱动文化
根据与人力资源和人力资本分析领导者的多次对话以及我们自己的研究，我们提出以下想法，以帮助您在人力资源组织中建立数据驱动的文化。
1. 衡量现有文化。更具体地说，衡量HR群体的信念、假设和价值观，以及他们的互动方式。
根据测量的结果来调整你的其他工作。例如，如果人们对人力资源分析价值的信念和假设已经是进步的，那么花时间解释人力资源分析的价值是没有意义的。所以，根据你自己的结果，定制以下建议。
同样重要的是要识别出比其他人群更注重数据的口袋--把这些结果留到下面第6点吧!
2. 证明人力资源分析的价值。这将有助于转变你的HR人群的信念，如果看起来有潜在的不情愿。
a. 使用企业其他部门的例子，这些部门也经历了自己向数据驱动的转变，例如市场营销。
b. 使用二次研究和案例研究来证明其价值。
c. 启发 与人员分析专家接触，他可以在研讨会或社交会议上向你的团队发言，分享来自该领域的见解和经验。
3. 通过为不同的人力资源角色量身定制通讯，获得真正的认同。这就是你如何开始转变围绕人力资源分析的假设。请记住--不是每个HR专业人员都必须成为数据科学家才能在HR的数字化转型中生存。
a. 使用你的初始测量练习对受访者进行细分，并相应地调整沟通。
b. 为了有效地证明 "对他们有什么好处"，并获得认同，你必须以不同的方式与那些表现出热衷于提升技能成为以数据为中心的角色的人与那些明白需要一定程度的理解和词汇，但不希望成为全面的分析师的人进行沟通，例如。
4. 让与数据互动成为常态。自上而下的方法将有助于嵌入新文化。领导层应该以身作则，希望在HR群体中效仿的互动方式。
a. 通过引导所有未来的沟通都以数据为导向，确保文化变革的赞助和高层的认同。
5. 展示那些体现数据驱动文化的倡导者。另一个将帮助嵌入新文化的关键群体是那些已经确定（第1步）对人力资源中的数据和分析具有积极信念、假设和价值观的人。
a. 识别你的倡导者网络（并以数据驱动的方式沟通你的选择过程！）。
b. 为倡导者设置加速学习和发展的机会，让他们成为讨论、建议和灵感的首选同事。
6. 练习耐心。文化变革不会一蹴而就。实现人的变化并不像实施一个新系统并将其打开。我们与帕特里克-库伦（Patrick Coolen）就荷兰银行人力资源部门的文化变革进行了交流，他说："有时仅仅是需要几年的时间"。
a. 确保关键利益相关者明白，文化变革需要持续的投资。
b. 考虑探索像推拿这样有助于转变行为的工具。
c. 监控互动方式，以衡量成功和沟通进展。
文化和数字化转型是相辅相成的。
你的人力资源机构不能指望仅通过实施新的技术解决方案来实现数据驱动。要鼓励以数据为导向的互动方式，改变人力资源部门同事的价值观、信念和假设，还有很多工作要做。
来自myFutureHR,作者：Caroline Styr
由智能的AI翻译完成哈~
People Analytics
People Analytics
劳动力洞察：人力资源职能和数据代码
图片来自：image source: PixabayWorkforce Insights: HR Functions and Data Code
毕马威《 2020年HR未来》中定义的劳动力洞察是关于使用来自不同来源的数据来解决与劳动力有关的挑战，并生成可能发生的事情以及解决新出现和预期的问题所需采取的行动。技术是此活动的主要动力，但不可能仅基于开箱即用的人力资本管理（HCM）系统功能。
还需要其他属性，包括人力资源内部基于证据的决策，利用洞察力讲故事，推动组织中的叙述将洞察力转化为行动。
数据的力量
毕马威全球人与变革卓越中心负责人罗伯特·波尔顿（Robert Bolton）表示，在缺乏明确的数据如何带来价值的模型的情况下，人力资源部门常常急于赶上最新的时尚和潮流，并通过进行分析来限制自己。摆脱这种恶性循环的方法是为组织的人员问题带来预测性见解和证据。现在是时候以一种更加科学复杂的方式来理解业务了，这种方式使HR能够在领导团队中平等地工作，并提供与首席营销和财务官一样多的证据。
该研究发现，有56％的探索性人力资源组织将增强分析能力视为其对人力资源技术投资的三大原因之一。由于进行了这些投资，他们将注意力集中在需要专门的，熟练的分析资源（无论是在HR内还是至少专用于HR）上的重要性。在接下来的2-3年内，将近一半的数据建模师/科学家在前三名中排名最高。
人力资源的下一个领域
为了实现数据分析的真正价值，人力资源团队需要尝试新技术，并将其集成到他们的日常实践中。但是，HR距离实现此目标还很遥远，与其他功能相比，HR可能距离数字灵巧最远。
当涉及在工作场所内利用数据分析时，寻路人力资源组织处于领先地位。他们报告说，使用高级数据和分析的熟练程度更高。平均而言，他们将使用更高级的分析评为“非常熟练”的可能性要高出5倍，如下所示：
确定特定人群流失的根本原因
区分高绩效者和低绩效者
发现烧坏和脱离
跟踪传统HR系统之外的数据，以通过电子邮件，聊天，日历，社交媒体等了解行为模式。
在核心职能中，HR可以通过专注于以下四个方面来通过分析来提高人员绩效：
在人力资源职能部门中投资技术和能力。这超出了云HCM供应商提供的基本即用型技术功能，包括考虑数据可视化，复杂分析以及将HCM数据与业务指标（如客户体验，生产力和协作）进行集成。
通过跨不同数据源实时集成和分析数据来构建见解，以了解指出新出现问题和机遇的信号。这包括合并来自HR功能，来自更广泛的组织和来自外部数据源的数据。
通过与领导团队合作以假设为导向的方法来使用数据来回答关键的业务问题和问题，例如：哪些能力将推动竞争优势？哪些团队与团队成员的福祉一起创造可持续的绩效？哪些领导因素推动我们业务的创新？
采用基于证据的思维方式，以便对常见和最佳实践进行有效性和相关性的严格评估。
People Analytics
People Analytics
坚守人力资本分析（People Analytics）的道德基准
编者注：这个话题应该是做PA同事的第一课，强烈推荐大家了解下。也欢迎大家就PA话题谈谈您的看法和实践。
在行动上，你对待人类的方式，无论是对你自己还是对任何其他人，决不仅仅是作为达到目的的手段，而总是同时作为目的。
- 伊曼纽尔-康德。
人力资本分析被定义为对业务结果的人的驱动因素的系统识别和量化。从康德的人本原则的角度来看，值得注意的是，这个定义没有认识到人本身就是一个目的。问题是：我们如何确保人力资本分析是合乎道德的？在本文中，我们将讨论算法的道德基准的现状，并为该领域的从业者提供建议。
算法的评估Evaluation of algorithms
我们如何评估我们算法的道德规范？欧洲通用数据保护法(GDPR)等法律框架为区分对错提供了指导。然而，合法的东西并不总是道德的。
GDPR规定了同意权、访问权、被遗忘权和知情权。然而，它没有规定员工参与人力资本分析的开发和应用的权利。而我们也一再看到，公共政策往往跟不上技术发展的速度。这意味着，很多时候，员工几乎没有或根本没有机会让自己的利益得到代表和保护。
虽然现有的伦理框架，如赫尔辛基宣言、美国心理学会（APA）的心理学家伦理原则或IEEE自主和智能系统伦理全球倡议，让我们可以更进一步地涉足这一未知领域，但它们也往往已经过了 "最佳日期"。例如，APA指南的最后一次修订是在2016年。
很多时候，由于缺乏道德和法律先例，人力资本分析团队拥有相当大的自主权。最少的指导和相互竞争的商业利益为道德违规行为提供了肥沃的土壤。
背景上下文的作用The role of context
与有效性类似，在评估我们的决定是否符合道德规范时，我们需要时刻意识到，在一个组织中行之有效的做法，在另一个组织中可能行不通。最终被认为是对的或错的东西，往往会因决策的背景和独特的利益相关者而变得非常独特。
话虽如此，我们可以利用从过去的道德过失中吸取的框架和教训。在伊曼纽尔-康德等巨人的肩膀上，填补空白。
你很可能已经遇到过AI算法的恐怖故事。这些包括亚马逊的性别偏见的人工智能招聘工具，谷歌的种族主义面部识别，以及Facebook的广告服务算法，按性别和种族歧视。让我们假设组织努力做到道德行为（这对我们中的一些人来说可能已经是一种想象力的延伸）。这些Giga公司，看似拥有无穷无尽的资源，但仍然都成为输入数据的偏见的牺牲品，引发了不必要的和无意的结果。垃圾进就是垃圾出。如果你不主动控制数据中的偏差，你的干预措施充其量只是次优。
我们如何评估人力资本分析的道德性问题的答案在于基准。基准可以衡量各种属性，并根据它们所代表的道德框架提供分数。这极大地促进了对人力资本分析伦理的系统性评估方法。具体来说，通过迫使我们开发和应用标准化的指标，基准使我们能够对背景进行编码。这使我们能够将新颖的案例与最新的技术状态进行比较和对比。
游戏的名称是确保我们的道德基准包含所有相关标准和关于这些标准的证据。使我们能够就全组织范围内部署特定算法是否符合道德标准的问题得出有效的判决。在这方面，无知不是福。确实值得注意的是，前面所引用的三个道德框架都强调了能力的根本重要性。
从当前的道德框架中衍生出的主要主题是隐私、同意、问责、安全和保障、透明度和可解释性、公平和不歧视、人对技术的控制、职业责任和促进人类价值。与这些主题交织在一起的是建立内部、结构和外部有效性的需要。
每一个关注点都会影响到数据处理和利用过程中工作流程的设计和实施。这些主题也会相互影响。如果你没有保障数据的安全，你如何守护围绕隐私的基本原则？如果你不知道你的算法是否对种族或性别或其他更多人为的品质没有不适当的偏见，你怎么能真正促进人类价值？如果你不知道你的算法是否对种族或性别或其他更人为的品质有不适当的偏见，你怎么能为一个没有内部有效性的算法承担专业责任？如果在一个问题领域中没有一个一致的应用框架，你的道德规范的重点就会有所不同。那么，你需要衡量什么来实现道德标杆也会。此外，基准化可以在透明度和可解释性方面发挥不小的作用。
然而，增加复杂性的是，优化算法的基础方法正在迅速发展。我们现在正在进入一个自动机器学习（AutoML）的时代，在这个时代，算法将选择一个最优的算法集，提供优化的解决方案。
一个探索解释人工智能新方法的新领域被称为可解释人工智能（XAI）。看看XAI方法将如何嵌入到AutoML解决方案中，这将是有趣的。
很有可能，在接下来的十年里，人力资本分析师将不得不处理那些有趣的侧例。作者预计，该领域将被民主化，选择优化模型的工作流程将被自动化。
使之实用化Making it practical
在错综复杂的道德要求编织下，此刻能实现什么？
首先，要合法。围绕人工智能已经有了法律约束，例如，与数据处理相关的隐私，GDPR是最主要的例子，但其他法律，如反歧视，也可能会适用。
Frederik Zuiderveen Borgesius教授最近为欧盟委员会进行的一项关于人工智能与歧视问题的研究指出，虽然有法律框架，但这些法律框架适应于某些类别，例如对肤色或性别的偏见。然而，人工智能可能会在新的人工类别中产生偏见，这取决于数据的基本结构和变量或特征的操作方式。
第二，阐述你的价值观，并努力遵守它们。虽然谷歌的口号 "不要做坏事 "可能会让人觉得有些不尽如人意，但它为审查和批评打开了大门。而在道德标杆方面，批评就是免费的建议。
第三，跟踪变化。认识到人工智能是有影响的，随之可能产生竞争优势，这种优势不会消失，因此值得早期投资。记录下我们在研发中面临的无数决定是如何驾驭的，这不仅有助于道德问责，也有利于与关键利益相关者的沟通。
第四，向相邻的实践领域看齐。一个实用的人工智能伦理基准需要关注一组特定的属性或指标，以符合基本的伦理原则，这些原则是可衡量的，并且与人员分析问题领域相关。它需要囊括人工智能判断的关键操作特征，这些特征在人力资源领域具有代表性。
由于我们处理的是影响真实人群的决定，我们需要区分诊断和干预目的。这与医疗领域的特性类似，例如，你可以有一个设备来评估你的健康状况，而另一个设备则保持你的心脏跳动，并在出现不正常情况时进行干预。一般来说，第二类设备的影响更直接，因此应该密切关注。FDA目前正在审查如何将软件作为医疗设备（SaDM）立法。
第五，审查可操作的基准的例子，如AI公平360，它使用广泛的方法来评估。为了获得经验，可以考虑运行他们的旅游。你注意到的是，目前在数据的抽样中保持偏见，需要对细节的精心理解。人类需要在循环中。当然，这可能会随着时间的推移而改变，但技术基准只有那些配置和部署它们的人的理解才是好的。不偏不倚的培训数据也是为了培训你的员工。
第六，考虑如何在你的过程中有针对性地进行共同开发。改变我们对人工智能培训的偏向，会影响到发明的对象。因此，干预措施本身也需要做一些调整。一旦你从数据样本中消除了偏见的来源，就要考虑与那些受你的决策影响的人进行新阶段的共同开发。只有这样，你才有机会满足康德的人性原则。
第七，审计跟踪。垃圾进就是垃圾出，要注意你的样本量和方法。比如，人类对数据进行标注，这样就可以根据这些标注对人工智能进行训练。通过训练，人类可以部署自己的偏见。因此，我们建议对你在生命周期中所做的事情进行审计跟踪。AI是组织的反映。一个可审计的生命周期使您能够在以后提供取证，以显示控制和改进您的流程。
最后，考虑作为一个社区，朝着提供培训、示例和共享空间的方向努力，以收集经验、道德实践和最佳的AI模型和基准。我们的问题领域有其独特的要求，我们作为一个社区最适合评估。 对于那些从相邻领域寻找例子的人来说，那么回顾一下放射科医生的AI-LAB（HRTech备注：AI-LAB是为了加快临床实践中人工智能（AI）的开发和采用，需要授权放射科医生在自己的美国机构中创建AI工具，以满足他们自己的患者需求。ACR AI-LAB™提供放射科医生的工具，旨在帮助他们学习AI的基础知识，并直接参与医疗保健AI的创建，验证和使用。）。
一个人力资本分析实验室将是一个中心资源，用于增长和加强思想，分享基础知识，并协商和采用机械化基准执行的道德实践。一个对社区友好的、面向未来的训练场。
作者： Stefan Mol 阿姆斯特丹大学阿姆斯特丹商学院组织行为与研究方法的助理教授
Alan Berg 阿姆斯特丹大学中央计算机服务的首席开发人员
来自人工智能人力资源，以上由AI翻译完成，仅供参考。
People Analytics
People Analytics
再谈什么是人力资本分析 What is people analytics?
What is people analytics?
PeopleInsight联合创始人兼CEO John Pensom一直将人力资本分析定义为：
使用人的数据和业务成果数据来做出更明智的人员和业务决策。
我们把这个定义分为3个部分。
首先，人员数据可能来自以下任何或全部。
其次，经营成果数据也会来自于多种形式，比如。
第三，这种人与企业成果数据的结合，必须应用并持续用于企业的决策。
人力资本分析将帮助企业：
·做出更明智的用人决策
·识别和留住关键人才和
·提高投资回报率，投资于最有影响力的人力资源和人才项目。
人力资本分析、人力资源分析、人才分析或劳动力分析？People analytics, HR analytics, talent analytics or workforce analytics?
人力资本分析过去和现在有时都被称为人力资源分析、人才分析或劳动力分析。
直到2014年左右，这些不同的术语在某种程度上是可以互换的--被早期的厂商用来试图标记空间和命名这个领域。就在这个时候，行业分析师重量级人物、数据驱动型HR的长期支持者Josh Bersin发表了看法，并通俗地将这个空间命名为People analytics。
虽然人事分析类的人力资源技术在2012-2015年期间兴起，数据驱动型HR已经出现了一段时间，但在大多数组织内，拥有人事分析功能还是相当的异类。在这些早期的日子里，当人员分析是人力资源的一部分时，它通常是由具有技术技能和对数据感兴趣的个人作为一种小众（而且往往是一次性的）活动来玩的。人力资本分析正在发展，但它还没有成为一门广泛的学科。
然而，在此期间发生的事情，是一系列影响因素的汇集，使人力资本分析成为人力资源部门的当务之急。
·考虑到人才争夺战，我们在 "人力资源 "上的花费比例很高，而且CEO们也越来越相信并大声疾呼，人是他们最关键的资产，因此，人的数据在组织中开始被认为具有更高的价值。
·人员数据（候选人和员工）的来源正在迅速扩大，由于云端应用被HR买通，这些数据更加容易获取，此外还有更先进的数据管理、集成和API。
·HR技术厂商跳上分析的浪潮，声称自己提供人员分析解决方案。
几乎所有的HR技术厂商都开始宣称自己有人员分析、大数据和预测性，以努力打压估值，搭上营销的浪潮，但造成了巨大的噪音和市场混乱。实际上，他们中的大多数人除了对他们的事务系统产生的数据进行单一维度的报告外，没有任何其他的东西--这与人员分析相去甚远。除了少数几个诉求者之外，所有这些诉求者都是事务性的人力资源系统，因此，没有采用任何人员分析技术中最关键的组成部分之一--人力资源专用数据仓库，用于优化多源人力资源数据的复杂结构。
结果是，HR开始拥有更多的数据和更多的系统--但他们无法超越孤立于事务性系统中的数据的单一维度报告。
这就引出了我们所说的HR的普遍问题。
与人力资本分析相关的普遍问题 The Universal Problem Related to People Analytics
一言以蔽之-数据利用不足和断线Underutilized and Disconnected Data
尽管有大量的数据，但在将数据整合到一起、在不同的系统之间建立联系，并使之具有意义以推动更好的业务成果时，就会出现普遍性问题。
深入了解普遍性问题
·人力资源和人员数据无处不在--很大程度上停留在孤岛上（即你的事务性人力资源技术）。
·不仅是该人力资源技术领域不断扩大新的系统和额外的丰富数据来源，没有真正的计划有一个桥梁跨越这些岛屿 - 或统一数据到一个单一的真相视图。从本质上讲，这些人力资源数据孤岛的差异性和它们所收集的历史数据量正在加速增长。
·这些不同的人力资源数据可以而且应该被用来做出更好的人员和业务决策。
·人们对业务成果中的人的方面以及如何最有效地利用你的人员数据来创造新的价值的理解正在形成，但仍然有限。
·当您结合并连接多个来源时，您的数据的价值就会显著增加，从而使您的数据具有多个维度。
·管理、连接和组合人力资源数据以实现商业智能是极其复杂的，可以说是有点黑科技（如果你不同意这个观点，你有没有做过--用人力资源数据，大规模的持续刷新数据？
·实现将公司最敏感的数据（人员数据）在正确的时间传递给正确的人，同时确保保密性、隐私性和信息安全，不仅真的很复杂，而且从很多角度看绝对是任务关键。这种类型的数据泄露可能会让任何公司沉沦。
·人力资源报告和分析需求传统上被IT团队认为优先级低于其他企业需求。
人力资本分析纯游戏功能
这些挑战往往导致人力资源报告以最简单、单一维度的方式执行，一次又一次地手工创建电子表格。
不用说，基于电子表格的人力资源报告引入了许多风险，包括数据完整性、有限的访问管理控制、有限的数据管理能力，以及从几乎没有治理或内部控制的系统中下载原始数据。
不要误解我的意思，电子表格很适合入门和原型设计，但它们挖掘出来的速度非常快，不应该在企业级人力资源报告和人力资本分析中发挥关键作用。
人力资源指标与人力资本分析的比较 HR Metrics Versus People Analytics
我们必须超越人力资源指标，进入人力资本分析领域。
人力资源指标其实是为HR服务的。人力资本分析是为整个企业服务的。
虽然这一点可能有待讨论，但我们认为HR度量的特点可以是单一维度和简单的关于人力资源实践、流程和交易的测量。
人力资源度量是关于人力资源效率的。这都是好的，但它需要更进一步。
因此，下一个层次，也是与我们的定义一致的，是人员分析--它更多的是关于衡量人力资源、组织和人才实践、流程、项目和交易所产生的结果。
因此，人力资本分析更多的是关于人力资源的有效性--这就引出了一个非常重要的基本原则。
例如，要衡量和了解招聘处理，如填补时间，你可以采用一些简单的人力资源指标。
然而，如果要了解哪些招聘渠道是你的最佳招聘来源，以及优质招聘的成本是多少，你需要将各种来源的数据结合起来，并以人员分析的方式交付。
你需要通过深度细分、算术或统计分析来生成更多与业务相关的见解，并使分析师能够从多个镜头或维度来查看数据（例如，按地点、角色、级别、成本、招聘者、招聘经理、来源、使用的评估工具、评估结果等来显示招聘质量）。
一句话，如果人力资源部门想成为更多的业务伙伴、价值创造者和企业战略的关键推动者，我们必须超越人力资源指标，进入人力资本分析领域。
人力资本分析帮助HR专注于对业务重要的事情
人力资源和人力资源业务伙伴必须使用数据驱动的方法，专注于重要的、与业务相关的事情。数据驱动的人力资源玩法介绍了一种以业务为中心的方法--平衡业务的运营和战略需求。
Operational People Analytics
以数据驱动的方式来处理你应该做的事情。
首先，运营报告和分析应该帮助你提高业务线（LoB）的标准人力资源、人才管理和人员项目活动的效率和效果。这是基础层面。
这应该包括对日常招聘、人员管理、人员流动、流动、学习和发展、薪酬、福利和绩效管理等活动的分析。
这将帮助HR从日常的角度出发，专注于基础而又重要的 "HR的事情"，并获得LoB领导、LoB经理和LoB员工的信任--利用数据来报告、改进和优化你的核心人力资源和人才服务或范围。您应该专注于提供高效和有效的人力资源流程和项目。
Strategic People Analytics
注重识别和理解异常值。基于数据驱动的洞察力实施项目和变革。
战略性人力资本分析是关于业务合作--帮助您所服务的业务线与人员方面实现其战略业务目标。
战略报告和分析将帮助人力资源部门专注于LoB所面临的多个业务问题。这些用例是直接从对整个组织和具体的LoB都很重要的方面来驱动的。它们也将直接与LoB的1-3-5年战略--或全公司业务计划的战略里程碑--保持一致。
一个很好的例子是使用人力资本分析来指导数据驱动的方法，以准备和动员一个新的客户支持团队，该团队专注于18个月后上市的新产品。
战略报告和分析是关于你在LoBs需要帮助的事情上帮助他们--特别是在人员方面，并采用数据驱动的方法。
Data-Driven Analytical Projects
专注于识别和理解异常值。基于数据驱动的洞察力实施项目和变革。
第三，分析型项目利用人力资本分析来识别和理解异常值--包括好的和坏的，目标是实施高价值的项目和有意义的变革。
简单而有力的项目例子可能集中在改善关键人员异常高的流失率，改善有经验的员工在头两年异常高的流失率，在面临COVID-19影响时对你的劳动力构成做出决策，或者提高关键绩效人员在育儿初期的保留率。
分析性项目都是关于使用数据驱动的方法来解决值得解决的问题。
请记住，要想将这些用例中的任何一个用例视为人力资本分析，您需要将人员和业务成果数据结合起来，以优化效率和效果。
People Analytics
People Analytics
【解读会】HR&PA人力资本分析在中国企业职能发展调研报告发布暨解读会7月22日举行，欢迎参加
人力资本分析HR&People Analytics在中国企业职能发展与应用调研
报告发布暨解读会
时间：7月22日 15:30-16:30 前100报名免费获赠调研报告一份（价值380元）
点击报名：http://hrnext.cn/NMbr34
介绍：
行业领先的公司越来越倾向借助数据分析发现问题和引领人力资源管理价值创造，人力资本分析（People Analytics）成为当前热门话题，PA在企业中的实际运用情况究竟如何?针对这一系列问题，HRTechChina联合Keystone 科石咨询启动了 “中国企业人力资本分析（People Analytics）职能发展与应用实践”的调查研究，旨在了解人力资本分析（People Analytics）职能的在中国企业的实际发展和应用现状，现在报告制作和解读即将完成，
将于7月22日HRTechChina举办的“数智化HR进化论虚拟论坛”中正式发布，诚邀参加！
时间：7月22日 15:30-16:30 前100报名免费获赠调研报告一份（价值380元）
点击报名：http://hrnext.cn/NMbr34
People Analytics
People Analytics
执行您的人力资本分析项目--8个步骤即可完成
在这篇博客中，我们看看我们的8步计划，一旦你确定了你的第一个人力资源分析项目--那个多汁的商业机会，就可以开始了。 遵循这些步骤，你将确保通过你的分析和报告提供商业价值。
以下是这些步骤的概述。
阅读并理解您的业务计划
确定DDHR（数据驱动的人力资源）项目的范围。
定义您的主要指标
定义您的二级指标和支持指标
阐明 "是什么"。
阐明 "什么 "背后的 "为什么"。
推动决策、变革案例、目标和变革计划。
实施、衡量成功、稳定和实现价值。
Read and understand your business plans
Scope out your DDHR (data-driven HR) project
Define your primary metric
Define your secondary and supporting metrics
Articulate the ‘What’
Articulate the ‘Why’ behind the ‘What’
Drive Decisions, Case for Change, Targets and Change Plans
Implement, Measure Success, Stabilize and Realize Value
1）阅读并理解你的商业计划书 Read and understand your business plans
这可能看起来很明显......但是......你读过你最新的企业商业计划或目标吗？如果你无法获得它或没有它，你是否已经采访了你的执行团队成员以了解整体方向？
如果你没有，你将如何建立人员和组织能力？
HR成为数据驱动型，是为了更好地实现你的定性和定量数据（即直觉和硬事实）的平衡。 这种平衡的方法需要在与组织相关的、多汁的、有意义的事情的背景下应用--无论是你所服务的特定业务线（LoB），还是更大的企业目标。
人力资源部门必须了解公司和业务部门计划，了解这对人员计划和能力的意义，必须确定、确定范围和交付数据驱动的人力资源项目，这将帮助你实现这些业务计划的结果。
2）确定你所选择的DDHR（数据驱动型HR）项目的范围。Scope out your DDHR (data-driven HR) project
你的范围界定工作应该包括这些活动。
阅读您的企业商业计划书
阅读您的业务线单位计划（直接客户的计划）。
向管理团队/办公室讨论并 "回放 "你的关键观察，以确保你已经建立了足够的理解。
确保并阐明你的第一个DDHR项目如何支持客户的关键重点领域（这些目标可以是公司目标、LOB目标，或两者的结合）。
对于您的第一个DDHR项目，尽您的能力研究、集思广益并记录以下内容。
与项目有关的具体目标、成果和指标。
实现这一目标的人员和组织要求/能力。
当涉及到人力资源和人员项目的所有方面时，你的差距（例如，如果你需要 "提高我们销售团队的成交率"，而你没有最佳实践销售成交培训课程，那么这将被认为是一个 "差距"）。
不消除这一差距的风险、影响和商业影响。
向你的LoB领导/管理团队简要介绍你从上述活动中发现的情况--获得对你的项目更深入的理解、调整和支持。 如果您做对了，您应该已经提高了客户的热情和兴趣。
现在，您已经围绕您的ONE数据驱动的人力资源项目设定了一些界限，并与您的组织或LoB对应方更详细地了解了它--您现在必须更详细地定义项目--并执行。这其中有几个步骤--这些步骤可以挖掘你要捕捉的数据和指标。
3）定义你的主要指标 Define your primary metric
你需要定义一些我们称之为 "主要指标 "的东西，它能抓住你的项目所要完成的本质。在定义主要指标时，建议尽可能的具体和详细--因为这是所有后续步骤的基础。
然而，你可以决定，在这个时候，保持这个方向性的性质（即减少或增加），而不是进入具体的目标。这都是好事。 目标可以在后续阶段，当你能获得硬数据时，再进行估算/设定。
下面是一个例子。
"降低销售部第一年业绩优秀者（被评为优秀和卓越）的流失率"
确保你定义你的度量标准的细微差别，如... 你是指在公司的第一年，还是销售的第一年？你是否将一个在市场部工作了3年，然后转到销售部，然后在销售部工作9个月后离开公司的优秀员工计算在内？
从比率和幅度两方面量化（陈述当前有关的事实）你的首要指标。
2019年，我们在销售部门任职第一年的员工中，表现最好的员工离职率为23%。
2019年，这代表着在77个EE的总段上有17个EE离开。
为了实现全面的理解，需要从多个角度观察您的主要指标--这意味着在您可用的数据维度上对您的数据进行切片和切割。如果你有幸拥有强大的劳动力分析或商业智能工具，这将是简单的。如果你是在电子表格中进行计算，这将更具挑战性，所以要做好准备，并在这方面花费一些时间。
4）定义你的次要或支持性指标。Define your secondary and supporting metrics
次要指标或辅助指标是对您的分析很重要的额外数据维度和细分。这些次要指标和细分的程度实际上取决于您--但根据我们的经验，这是最有洞察力的观察和故事线的来源。
比如说 对你的数据进行细分和切片，这样你就可以了解是否有任何基于人口统计学、地点、经理、经理参加人事经理培训课程、招聘渠道、入职调查结果和参与度等方面的异常情况。
你只受限于你所能接触到的数据和你连接数据的能力。同样，如果你正在与人员分析合作伙伴合作，或者使用强大的BI工具，这将是相对容易的。如果你没有，你正在处理电子表格和断开的系统，卷起你的袖子，收起你的袖子......你需要时间和一些分析方面的专业知识。
5）进行量化观察--阐明 "什么"Articulate the ‘What’
使用您的二级指标，继续细分和分析您的数据，将观察重点放在异常点上（您的数据中的离群值、超过可接受阈值的热点、或问题的质量/规模可能代表机会或缺乏机会的地方）。
6）阐明 "什么背后的原因"Articulate the ‘Why’ behind the ‘What’
至此，你就会有一个关于销售业绩最高者流失的事实汇编，对象是任职第一年的员工。
掌握了这个多维度的分段分析，你必须深入挖掘故事线，了解故事发生的背景，并向那些最能阐述逻辑原因和假设的人询问 "为什么"。
这就是定性理解。
这可以通过各种技术来实现。例如，你可以选择与其他销售业绩最好的人进行一些焦点小组，那些在任职第二年的人可以对经验有所了解，你可能想实施或收获入职经验调查的数据，你可能想进行小组电话会议，1对1的或与经理的水冷/非正式谈话等。无论采用何种方法，这都是为了了解相关人员的生活经历，使数字活起来，并提供背景。
这里的目标是花一些时间深入挖掘，这样你就可以平衡你的事实和背景，并准备以更完整的方式讲述故事，尽可能多的纹理。
7）推动决策、变革案例、目标和变革计划。Drive Decisions, Case for Change, Targets and Change Plans
在我们看来，除非你愿意推动决策，并实施变革，否则开始这个过程的第一步是徒劳的，也是没有意义的。
肠胃检查：如果你不期望你的数据驱动的人力资源工作能够推动决策和变革，那么认真考虑一下，现在就停下来，专注于一些业务或你的人力资源团队会重视的事情。
决策必须在合作、协商和乐虎国际客户端支持下进行。因此，至关重要的是，您必须在之前的步骤中与您的LoB客户保持联系--并且能够获得事实、背景和意见。
业务线的决策都是关于投资回报率（ROI）的，这就需要制定一个变革案例。有些人可能会将其称为 "Pitch Deck"，有些人则称为 "商业案例"。
不管怎么说，变革案例是一个10-15张幻灯片的总结和建议，其结构如下。
执行摘要
背景和情况
当前环境/问题的确定(事实和背景)
机会
拟议的解决方案和目标成果
成本和效益(ROI)
项目/实施办法
所需资源
B. 建议
下一步工作
目标是让你的利益相关者和受影响的合作伙伴相信变革是必要的，并帮助他们完成目标。
8）实施变革计划，稳定、衡量成功，实现价值。Implement, Measure Success, Stabilize and Realize Value
关于如何实施和创造可持续变革的更多信息，请参考Playbook 4，我们将在其中深入探讨这一主题。
值得注意的是，"商业案例实现 "非常容易被忽视--事实上，我们往往在取得成果之前就被迫系统地进入下一个活动--并比喻为 "将赢利存入银行"。
你必须不惜一切代价尽量避免这个陷阱。
记住，你被信任投资于数据驱动的人力资源的唯一原因是为了追求多汁的业务成果。
你已经在商业案例上出售了这一举措--所以你必须花一些时间来量化和计算你的成就和成功--并与那些重要的人分享。
简单地确定你的举措的投资回报率
在投资回报率等式的一边，你将阐明你通过这一举措创造的 "新价值"。
在等式的另一边，阐明该举措的成本（在这个项目中工作的天数可以转换为每天的内部负荷成本率）。你将以此为分母。
从新价值中减去成本，并将结果称为 "净新价值"--将其作为分子。
将净新价值除以成本，然后乘以100。
现在，你就有了这个数据驱动的人力资源项目的投资回报率。
鉴于这是一个巨大的未开发领域--利益池可以是壮观的。
下面是我们PeopleInsight的一个技术客户的例子。
在实施了分析工具后，一个特定的关键技术角色的营业额在第一年内下降了25%，这些工具使经理们能够深入了解他们的营业额--使他们能够快速地进行细分。
副总裁和人力资源部门将这些影响直接归因于透明度的提高。
这导致今年避免了约75万美元的成本。
投资成本不到2.5万美元。
净新价值为75万美元-2.5万美元=72.5万美元。
这笔数据驱动的人力资源投资的投资回报率是。 (72.5万除以2.5万) x100 = 2,900%。
是，2,900%
一旦你意识到了价值，你就必须将其传达给大家并加以庆祝。然后从中学习，并在此基础上再接再厉。在你的下一个人力资源分析项目中保持这种势头。
作者：PeopleInsight
以上由智能AI翻译完成，仅供参考
People Analytics
People Analytics
访谈：人力资本分析如何支持默克在中国的发展
根据最近的研究，从现在到2027年，人力资本分析市场将以平均每年14.2%的速度增长，价值达62.9亿美元。 据预测，这一增长大部分来自亚太地区，亚太地区拥有全球60%的人口，根据麦肯锡的预测，到2040年，亚太地区的GDP将超过全球GDP的50%。正如我之前在这里写过的，分析人力资本在该地区也在崛起，LinkedIn的《人力资源中的分析崛起》亚太地区报告发现，在截至2018年的五年里，该地区人力资源中的专业分析人员增加了70%，中国是目前该地区最大的经济体，而在这个世界第二大经济体中，人力资本分析正呈指数级增长。 除了印度，中国是我收到关于人力资本分析的最多信件的国家--既有希望提高能力的公司，也有寻求了解这一新兴领域的专业人士。
在Insight222的人力资本分析项目中，许多与我们合作的公司都在中国有持续的业务和团队资源。 其中一家公司是默克公司，我最近采访了在上海工作的Sherry，了解了人力资本分析发展如此迅速的原因，以及她和默克人力数据分析与战略人力规划规划团队在中国开展的一些工作。
1）感谢您抽出时间和我交流，Sherry。请您解释和分析一下为什么人力资源数字化和人力数据分析在中国发展如此迅速？
谢谢David，很高兴与您交谈。中国快速增长的原因可以从外部市场竞争环境和内部企业资源禀赋两方面来解释。近年来，随着宏观经济放缓，投资资本回报率降低，人力资本成本增加，越来越多的中国企业开始关注企业管理效率。这为人力资本分析的发展提供了基础。同时，对于中国IT巨头来说，数据某种程度上就像他们发展离不开的 "血液"--数据分析一直是他们商业模式的重要组成部分，数据也正在成为新的 “生产资料"。同时，与西方国家相比，中国对个人数据获取的限制较少，这进一步促进了数据业务的发展。
2）中国的人力资源数字化和人力资本分析有哪些独特的挑战和机遇？
首先，大多数中国企业的领导者仍然认为人力数字化/资本分析是一种额外的成本，而不是业务的组成部分。当面临业务挑战时，相比于分析优化当前的FTE成本结构，重新分配有限的资源，企业更多选择是雇佣更多的员工解决问题。
此外，人力资源本身的重新定位也很关键。从我以往的咨询经验来看，我发现在很多企业中，事务性工作占到了HR整体工作的70%以上。只有在更贴近业务的HR运营模式下，HR被定义为战略角色时（当然，需要更强大SSC的支持），才有可能做出改变，构建数字化能力从而影响业务。
在中国的领先IT企业中，我们看到先进的人工智能和机器学习被应用到人力分析中。为了精准提升生产力，头部企业针对特定的业务场景，对员工的行为进行追踪和分析。这些分析一般不由人力资源部门主导，而是由业务领导在数据科学家的支持下进行。到目前为止，全面的人员数据基础架构、人力数据分析平台，人力资源分析能力赋能，在中国企业中还没有广泛地建立起来。中小企业，尤其是传统行业的企业，或多或少还处于提升传统人力资源功能模块的阶段。
3）默克集团的人力资本分析和战略劳动力规划团队是如何设置以服务中国市场的？
该团队属于全球创新人力部，德国、中国、新加坡和美国等默克业务战略中心设置有岗位，团队集中管理，同时非常敏捷。我在中国，领导默克全球人力资本分析赋能解决方案，同时支持其他全球人力资本分析和战略人力规划解决方案，并交付默克中国的相关项目。在这样的组织架构下，我与我们先进的人力资本分析产品进行无缝互动，同时根据中国需求，提供定制化服务。
4）能否提供一两个由默克集团团队在中国交付的人力资本分析项目案例？
作为默克集团增长最快的市场，中国已经成为最复杂的市场之一，有高增长的目标，有非常复杂的生态系统，有新的创新上市模式，也有默克集团内部的业务和成本管控目标。
在这种情况下，能够充分利用各种数据，利AI技术帮助管理团队快速敏捷地做出决策是至关重要的。全球人力资本分析和战略人力规划团队与中国业务和人力资源负责人紧密合作，分析关键的业务痛点，决定从主动优化资源和更好的人才决策入手。
我们构建了一个名为M.I.A（My Intelligence Analytics）的分析工具，并嵌入了AI和机器学习算法（见下图）。第一次结合了人力数据和业务数据，为业务领导带来了对销售团队能力、投资回报率以及流失关键驱动因素的定制化和可操作性的洞察，帮助他们优化各销售区域的资源再配置，更好地管理人员流失，并切实落实中国未来的组织设计。
M.I.A业务相关人士Steve Vermant（生命科学中国区董事总经理）表示。
"M.I.A新的人力资本分析技术已经开始在很多方面帮助我们。有了这个工具，我和我的销售领导团队现在可以花更少的时间收集数据，有更多的时间分析未来的趋势，推动可持续发展。此外，它还精准地锁定了各地区、各业务的销售资源配置痛点。我相信，MIA是一个很好的例子，说明我们如何通过用AI增强人类智能，切实发展我们的领导力和创新能力。"
全球人力资本分析与战略劳动力规划团队正在进行其他一些针对中国的项目。其中一个例子是离职风险预测（见下图）在这个项目中，人工智能嵌入式算法帮助管理者：
1）预测员工的流失可能性，以及识别员工离职的关键驱动因素；
2）识别与12个月内离职的新员工高度相关的关键背景因素。这个模型可以帮助管理者对有可能离职的潜在在职人员进行提前干预，也可以在招聘阶段筛选出被认为有可能很快离职的候选人。
我们很高兴地看到默克中国的企业领导者开始通过将人力数据分析融入工作环境来实现思维方式的转变。同时，我们也在中国人力数据分析能力建设上进行投资。在BMC（Boosting Merck China）的战略框架下，人力资本战略已经成为优先考虑的业务举措之一。从制定人员战略到人才寻源和发展、全面回报，以及处理疫情的相关课题，人力资本数据分析得到了广泛的应用。
目前取得的一些成绩包括
角色转换--随着默克人力资源部新的运营模式的实施，部分人力资源事务性工作被转移到全球服务中心，使中国人力资源部的角色定位更加以战略和业务为导向，从而使得数据分析可以产生更大的业务影响。
技术投入--默克在2016年引入了Visier工具，整理了大量的人力资本数据，并已在默克全球范围内部署。这加速了中国同事对人力资本分析的接触，从简单的仪表盘和描述性分析到更进一步的预测性分析都有接触和了解。
能力提升--为同事提供精选的自我驱动的分析思维课程，并在中国为业务领导和人力资源部门的同事提供多场人力资本分析/战略人力规划赋能研讨会。
文化建设--由领导者发起一种让数据价值最大化的“面向未来”的创新文化。我很高兴默克为中国数字化转型和未来工作做出努力和贡献。
默克中国人力资源负责人Diane Zhu表示：“
"作为人力资源战略2022征程的一部分，我们正在不断发展成为与业务职能部门真正的战略伙伴关系。为了实现这一目标，我们正在建立新的内部人力资源能力，理所当然地说，增强型人力数据分析和战略性人力规划是这些'待开发'能力的核心。在中国这样一个战略市场，顶尖人才比以往任何时候都更难吸引和留住，懂得规划未来能力需求、预测和量化人才项目效果的企业，将在行业中拥有巨大的竞争优势"。
5）您认为人力资本分析在中国市场进一步发展的主要机会是什么？
鉴于人们对竞争力、效率、数字化转型和数据可及性的日益关注，人力资本分析在中国加速发展的机会很多。我设想中国的大型企业将率先实现数字化。除了速赢的人工智能和机器学习嵌入式分析，企业还应该思考如何让组织和员工为未来的工作方式做好准备，以及人力数据基础设施的投入，建立分析平台是可以看到的机会。当然为了实现所有这些--为企业领导者和人力资源部门的人力资本分析能力赋能也相当关键。第二波机会将在行业主导者打标杆后，大量追随者进行数字化转型而到来。
因此，为了帮助企业实现目标，中国人力数据分析生态系统也将受益。我认为学术机构、咨询公司、初创企业、人力资本分析社区和其他组织等各种参与者都有巨大机会。随着人力数据分析业务的指数级增长，在所有这些利益相关者的努力下，我相信中国企业的管理成熟度将被推动到另一个层次，中国的领导者将具备未来环境所需的思维方式和能力要求。这些趋势为提高中国人力资本分析业务提供了巨大的机会。
谢谢大家！感谢Sherry分享她对人力资本分析在中国发展的见解和专业知识，并提供了默克在中国开展工作的案例。
关于作者
Sherry Xie是默克集团的人力数据分析赋能全球负责人，常驻上海，负责推动HR和业务领导面向未来的思维方式转变和人力数据分析能力建设。Sherry最近致力于将产品化和定制化理念嵌入能力建设的研究，帮助员工和团队成长和发展。
David Green是一位在全球范围内备受尊敬的作家、演讲家、会议主席和执行顾问，他的研究领域包括人力数据分析、数据驱动的人力资源和未来工作。作为Insight222的执行董事，他帮助全球组织通过智能的使用人力资本数据和分析创造更多的文化和经济价值。在加入Insight222并担任TrustSphere的董事会顾问之前，David是IBM Watson Talent的人力资本分析解决方案全球总监。因此David Green在帮助企业开始并加速其人力资本分析之旅方面拥有丰富的经验。他还在myHRfuture上主持数字人力资源领导者播客。
People Analytics
People Analytics
人力资本分析和学习：在正确的时间为合适的人员提供正确的解决方案，推动员工发展
12，762 个赞、300 万次点击次数、100，000 次点击次数— 所有这些措施都为营销活动提供了某种视角。但最有价值的见解来自更深层次的分析——这种分析说明了对注册中的内容和美元之间的联系，这是衡量特定营销活动有效性的真正标准。同样，改变游戏规则的学习见解不仅来自识别给定行为的前后变化，或测试和控制组之间的观察，还来自结合学习数据、业务数据和行为数据以及进行可靠的统计分析，以个性化学习建议和职业发展干预措施。通过多个数据点进行校准，这些精确的解决方案在正确的时间向合适的人员提供正确的干预，从而推动业务成果。
学习分析
的上下文 希望更准确、更可靠地衡量学习对业务结果的影响并不是新鲜事，而是访问数据点以创建它。现在，这不仅仅是欲望——我们生活在一个不断变化的现实中，这使得测量成为当务之急。工作性质的快速变化正在造成对提高劳动力队伍的几乎持续的需求。在5年学习技能的半衰程下，1对学习和发展计划的渴望是贪婪的。
此外，随着技术和学习平台使信息更易于访问，人们现在在工作流程中学习。2虽然课堂和讲师指导的培训可能不会完全消失，但现实是，大多数学习都是非正式进行的——从员工简单的搜索操作视频来处理当前的任务，到阅读前同事发布的感兴趣的文章。
但是，所有学习解决方案并不提供同等价值，而且随着所需投资水平的提高，修剪和专注于最有效的学习计划的必要性也随之增加。
从创造到治疗
任务关键性需求到提高技能3内容源的多样性引发了从内容创建到体验固化的转移4进一步启用学习体验平台。5这种日益增长的升华需求，6课堂以外的学习扩展和数据集的激增是学习功能新时代的基石：在这个时代，分析使学习功能成为业务驱动力，为如何培养员工队伍以优化业务成果提供宝贵的见解和指导。
在日益社会化的学习模型中衡量解决方案的有效性（其中内容是策划而不是创建的）需要扩大指标和指标，不仅包括学习数据，还包括业务数据和用户行为数据。随着学习朝着扩大用户选择的方向发展（如点播电视中发现），组织需要更新其方法和设计分析工具，以捕获这些新平台中的学习。这是实时学习分析和见解的提示。
通过学习分析，组织可以及时获得有关各种学习投资对个人发展、组织学习趋势和业务成果的疗效和影响的信息和反馈。成熟的学习功能可以使用这些分析见解来推动决策，了解要继续、扩展、终止和启动哪些程序、工具和资源。
可持续的分析战略始于有效的数据战略
，评估学习解决方案对业务成果的影响的投资回报率，需要可靠的统计分析。即使在分析完成之前，它就需要独立数据集的组合，这些数据集位于业务内外的不同功能（甚至存储平台中）。有效的聚合取决于清晰的数据治理结构、标准化数据集和数据规范化过程。整合后，不同的业务、学习和用户行为数据可以使人们对特定学习资源对业务的影响有新的见解。
例如，假设您在参加财务战略实验室后，可以看到您的财务顾问的投资变化;或者，如果你能衡量你的高级董事在参加领导力研讨会后"追随者"的增加。更进一步，想象一下了解哪些链接最共享，哪些文章获得了最仔细的阅读，以及人们在寻找新信息时实际去找谁。我们已经知道终身学习领导力的重要性，7但是，如果你能根据学习习惯来识别你的明星表演者，或者在学习者自我指导注意力的领域先发制人地提高技能，那该怎么办呢？这些见解可用。数据存在。它们只需要汇集在一起进行分析。
聚合和分析孤立的数据并不容易;它需要一个有意和充分开发的数据策略。有效的数据战略应包括五个组成部分：
利益相关者之间对目标的一致
实现这些目标所需的数据假设
如何集成数据的计划
明确对所有利益相关者的期望
一个内置的审核流程，用于评估进度并根据需要进行调整
开发这种分析敏锐度的学习功能具有远见，这种功能可以帮助他们了解员工最需要哪些信息，哪些学习经验在改变目标行为方面最为有效，哪些学习解决方案与绩效最相关，反过来，学习干预对公司最有价值。
虽然将数据拼接在一起可能很困难，但它是收集对学习对业务影响见解的必要先决条件。有效数据策略的优点在于，它为研发功能奠定了基础，从自上而下和自下而上获得见解。当数据被主动管理和集成时，学习职能部门可以问：学习解决方案或学习解决方案计划对个人和业务绩效有何影响？
同时，通过实时集成实现有效的数据策略，使企业能够实现表现最好的和向后设计公共变量的趋势，从而可能将其跟踪到特定的学习资源。例如，想象一下，在所有最有效的销售人员中搜索一种常见的学习体验——也许，他们都在学习体验平台上遵循相同的 SME，阅读同一本书，或者完成相同的在线课程！将不同业务部分的数据集拼接在一起并了解特定变量的影响，需要强大的数据策略、统计专业知识和对稳健分析的承诺。
一个例子
：公共部门机构已经能够根据这种类型的学习分析优化学习投资。该客户采用基础广泛的数据策略，分析了研发投资与 KPI 绩效之间的关系，量化了在员工学习体验中所投资的价值。他们检查了运营效率指标、法规指标和业务 KPI，以评估学习投资的有效性及其对组织绩效的影响。这些投资分析以数字交互式仪表板提供，为机构领导提供单一访问点，以继续跟踪其研发投资的投资回报率。它是业务影响的链接，使学习功能能够做出数据驱动的业务决策，从而在正确的时间以正确的方式精确地向合适的人员提供最有效的学习解决方案。
让你的支出更
重要 成为利用分析推动业务向前发展的学习功能的过程，首先从了解和预测业务需求开始，并调整学习策略以优化学习投资。对于一个组织来说，要解决的可能不是与另一个组织相关的，但机会是相同的。L&D 函数聚合正确的数据集并进行相关分析以产生有价值的见解，是业务驱动因素，而不仅仅是程序提供商。
作者：
艾琳·克拉克是德勤咨询公司人力资本业务领域的董事总经理。她专注于通过学习战略、能力发展和领导力，通过人员来转变企业和组织。
David Fineman 是德勤咨询 LLP 人力资本业务领域的人力资源转型人员分析和劳动力规划专家。
Praveen Kaushik 是德勤咨询 LLP 人力资源转型实践的专家领导者，专注于学习战略、流程再造、技术部署、分析、内容集成和共享服务设计。
Mariana Aguilar 是德勤咨询公司人力资源实践的顾问，专注于数字学习解决方案、体验式学习计划开发和包容性领导力。
以上由AI翻译完成
People Analytics
扫一扫 加微信
hrtechchina
People Analytics
People Analytics
People Analytics
People Analytics
People Analytics
People Analytics
People Analytics
People Analytics
People Analytics
People Analytics
扫一扫 加微信
hrtechchina
