1704246840
（1）提高员工生产力并增加收入：人才高级分析方法可以在人才筛选、入职、培训以及管理等各个环节上，确定最优组合，以此提高生产力和收入。
1704246841
1704246842
（2）提高重要岗位人才匹配的准确度和速度：通过扩充候选人才库的资源，客观采纳候选人的经验和能力证明，以及候选人匹配度结构性评分等方式，提高关键岗位的人才匹配度，并提升人才招募的速度。
1704246843
1704246844
（3）理解未来员工：通过对公共专业数据（如LinkedIn）的数据挖掘，在新兴数字化能力方面，找到更多具备顶尖技能的顶尖人才（如自动化、人工智能等）。
1704246845
1704246846
（4）提高各核心人力资源流程的效率和准确率：将人才高级分析纳入企业人才管理流程，升级业务流程与之相互融合；设计人力资源分析职能，并设计清晰的路线地图。
1704246847
1704246848
除此之外，人才高级分析方法对传统人力资源所关注的重点事项也都有所兼顾，如图7-2所示：
1704246849
1704246850
1704246851
1704246852
1704246853
图7-2 人才高级分析方法对传统人力资源的重点关注事项
1704246854
1704246855
如何获得成效
1704246856
1704246857
从我们的经验来看，人才高级分析方法通常以“三步法”的方式推进。
1704246858
1704246859
第一步，明确背景并整合数据。
1704246860
1704246861
首先，充分理解业务背景，明确企业的战略，尤其是在数字化转型时的目标，确保计划和人才需求之间达成一致。其次，提出假设条件，理清人力资源绩效的动因。然后，根据假设条件创建数据需求，采集相应的数据，并执行初步的数据诊断。
1704246862
1704246863
数据的采集可能会涉及四个范围：一是员工特征，包括人口学数据、心理测试、简历信息等员工的个人数据；二是员工环境，包括工作地点、轮班信息、工作要求和薪酬等；三是员工观感，包括组织健康指数、360评价数据等；四是员工行为，包括员工的行事历程、电邮互动等。
1704246864
1704246865
例如，一家全球对冲基金在进行人才高级分析时，收集的数据来源包括了HRIS、ATS、绩效管理等系统，以及外部数据源（如LinkedIn）。数据收集之后，根据与绩效的一致性和相关性，对其中部分数据进行了融合和清洗，从而估算出最优的目标变量。
1704246866
1704246867
第二步，建立模型和“事实库”。
1704246868
1704246869
首先，根据目标和假设，建立预测模型，以理解影响绩效的主要原因。其次，通过离散回归分析的方式，理解员工行为中的主要趋势，以及员工中可能存在的小群体或小圈子的共性。然后，基于模型预测每位员工最可能的绩效表现。同时，建立互动式仪表盘，用于数据搜索，包括人力资源管理和业务用例。
1704246870
1704246871
同样以某家全球对冲基金为例，使用机器学习的技术对员工数据进行分析，寻找高绩效员工的行为原因。通过个人绩效分析发现，共有10个“反直觉”的因素与员工绩效高度相关，其中一个发现是，个人因素比集体因素对绩效的影响力更大。
1704246872
1704246873
第三步，制定战略，并将洞见转化为行动。
1704246874
1704246875
首先，对分析结果进行“回放”分析，充分挖掘其中的洞见，并根据分析结果，召开行动计划研讨会。其次，与人力主管和各事业部负责人一起，对未来的人才战略规划进行调整，并明确当下应该马上采取的行动措施。然后，重新审查关键流程，研讨在其中加入高级分析和数据建模的可能性。
1704246876
1704246877
回到该对冲基金的例子上来，他们通过与各事业部人员的访谈，深入讨论分析的结果，包括其中的成果和困惑，并以此定义行动计划和清单。根据分析讨论的结果，他们将人才招募的成功模式重新聚焦在2～3个原型上。同时，在人力资源管理流程模块中，加入清洗后的数据和预测模型，包括HRIS系统、人才搜寻和招聘流程等。通过采取这一系列举措，这家公司的人才绩效水平得到了显著的提升。
1704246878
1704246879
人才高级分析方法在企业中的应用案例
1704246880
1704246881
一家亚洲大型银行，旗下有30余家分行，8 000多名员工。该银行面临组织机构重组挑战，希望在短期内快速找到高潜力员工，以便实现组织转型以引领公司发展。人才高级分析方法整合了全银行的人口学、绩效和组织机构数据，使用机器学习的方案，建立绩效预测模型，寻找员工绩效的主要动因、具备较高成功潜力的员工名单，并匹配适合该员工发挥和成功的岗位。方案应用后，该银行人员配备及招聘流程时间减少了80%，分行的生产力与净收入增长率也都得到了明显的增长。
1704246882
1704246883
一家全球金融服务公司存在人才严重流失的问题，流失率高达30%，该公司试图以提高待遇对员工加以挽留，仍无济于事。人才高级分析方法采用机器学习的工具，分析内部人力数据，建立预测模型，分析员工个人离职风险（比如某员工在未来12个月内离职风险为65%），从而找到“高危人群”，以及公司层面的人才流失原因。该方法使总体流失率从30%下降到15%，同时，公司节约了2 000万美元的人才挽留奖金，原因是由模型分析发现，奖金与流失之间并没有直接的关系。
1704246884
1704246885
一家专业服务公司，每年处理约25万份简历。该公司希望将招聘流程自动化，以便降低简历筛选流程的成本。通过机器学习系统和为该公司设计的算法模型发现了一个规律，即：排名前5%最有可能入职，而后50%最不可能入职。基于该发现，该公司设立了自动化的规则：前5%自动进入下一轮，后50%自动淘汰。于是，简历筛选效率大大提升，不仅将简历筛选量降低了55%，同时也建立起了更高质量的人才库。该公司的投资回报率因此提高了400%～500%——因为招聘官们可以专注于高价值决策领域。
1704246886
1704246887
1704246888
1704246889