您好, 访客   登录/注册

大数据时代HRM的新变革

来源:用户上传      作者:

  摘 要:本文以绩效为导向利用神经网络模型分析绩效影响因素和权重,辅助招聘高绩效的员工;利用logistic回归模型分析已离职员工数据,挖掘员工离职影响因素,对在职员工进行离职倾向预测,根据离职概率大小和离职影响因素来采取针对性的挽留措施。最后介绍了大数据在“人资分析”方面应用的案例。
  关键词:大数据;人资分析;离职预警;logistic回归;神经网络
  随着云计算的成熟,竞争日益激烈,原来的粗放式经营和管理必须向精细化转变,大数据将成为下一个企业关注的重点。
  数据分析在企业中的应用开始于工业化时代,主要是财务分析和供应链分析。70-80年代,转移到客户营销和分析,现在已经成为市场细分和营销分析。伴随着人才失衡和全球经济衰退的影响,公司HRM开始关注于人才分析和推理,人力资源管理的演变是从“报告与核心理解”到“预测分析”。
  1 数据挖掘模型在HRM领域的应用
  虽然将大数据引进人力资源管理领域是大势所趋,但是它也有所局限。人力资源管理不仅需要人和人面对面的真诚沟通,更需要在人才分析、绩效考核、薪酬设计和离职倾向等方面预测,下面对大数据在人资分析和离职预警方面的作用进行简要说明。
  1.1 人资分析
  在企业进行招聘时,根据职位的能力和素质要求,招聘合适的人选。通常做法是根据参考职位要求进行人员招聘,对职位的要求学历、工作经验、沟通能力、管理能力等,忽略了简历中存在的潜在信息,且对考核项目的权重设定比较随意,不能科学、高效、准确地找到高绩效员工。
  为了高效而精准地找到高绩效的员工,需要通过对员工各种信息数据进行挖掘分析,挖掘出对绩效起到重要作用的信息变量,并计算各变量的权重,从而找出不易察觉的信息,准确、高效地挑选出能够推进公司绩效的候选人。
  Spss clementine提供了很多数据挖掘模型,操作简单,适合企业使用,其中就包含有神经网络模型。首先将员工数据建立数据库,然后利用“特征选择”节点剔除对绩效影响较小的因素,连接神经网络模型节点,运行模型找出影响绩效因素的权重,最后将候选员工的基本信息输入,预测其绩效,根据预测数据综合排名,择优录取。
  1.2 离职倾向预测
  员工离职对企业的影响很大,既对企业业务和生产造成短时影响,又会增加额外的成本,因而如何对有离职倾向的员工进行引导,变得极其重要。
  大数据预测离职倾向主要是通过对已经离职员工的相关信息进行分析和挖掘,运用相关数据挖掘模型确定离职分析模型。当模型确定后,可以将模型用于所有在职的员工,最后得到可能离职的员工名单、每个员工可能离职的概率和员工离职的相关影响因素,然后针对性的进行员工挽留措施。
  本文以logistic回归分析为例,探讨离职倾向预测的过程和思路,借助spss clementine工具,将已离职员工信息数据和在职员工信息合并,离职状态变量0表示已离职,1表示在职。运行logistic回归模型,得到影响因素的重要程度和在职员工离职概率,依据这些信息通过面谈等形式进行针对性的挽留工作。
  2案例:人资分析――如何找到金牌销售
  一个金融服务企业的公司领导和人力资源认为来自名校的优等生将会成为优秀的销售人员,因而该公司在招聘、甄选和晋升时都需要考虑学历。但数年过后,该企业的一位数据分析师进行了一次销售人员业绩分析,将销售人员进公司后前两年的各项业绩进行综合分析后得到企业的传统招聘价值观与实际情况完全不符。
  本案例中的金融服务企业的人才观是三十多年来得以成功的关键,因而没有人去质疑其合理性,但数据分析出来的结果却令人大吃一惊,并产生了立竿见影的效果:启用了新的人才招聘筛选标准,六个月后业务收入增长了400万美元。
  成功销售人员的重要特征:简历中无错误、获得学位、有销售经验、成功的职业经历、较好的领悟能力、良好习惯与承压能力等。不重要的特征:毕业学校、学业成绩、推荐信质量等。
  从案例中可以得到在招聘员工时简单而又起决定性的因素易被忽视,并且行业与公司性质不同,所需要的员工能力侧重点也不同。以绩效到导向,借助数据挖掘技术可以实现精准的人资分析,从而招聘到最适合企业的员工,有效降低不必要的成本,确保企业高效运转。
  3 结束语
  大数据在人力资源管理中的应用是HRM领域的新变革,从认识大数据到接受大数据,再到数据挖掘,需要克服员工数据资料的存储、相关团队和人员的组建等重重困难。本文对大数据在“人资分析”和“离职预警”的应用也只是探索,具体效果还要看在企业的实施情况,相信以后越来越多的模块都会有大数据的身影,使人力资源管理体现科学性的部分变得高效和准确,人力资源部门的高效运转势必会带来公司的健康运营。
  参考文献:
  [1]Josh Bersin. Big Data in Human Resources: Talent Analytics Comes of Age[EB/OL] .http://www.forbes.com.
  [2]osh Bersin. Talent Management: State of the Industry[EB/OL]. http://www.hrexecutive.com.
  [3]Jeremy Langley.Use data effectively to align people strategy with business goals[J].Strategic HR Review, 2013,12(5).
  [4]油永华.企业信用状况的定性评价――基于logistic回归模型的分析[J].统计与信息论坛,2006(6):85-88.
  [5]张文勤,石金涛.基于因素分析与BP神经网络的电信企业管理胜任力测评研究[J].数理统计与管理,2009(01):1-9.
  作者简介:
  刘运良(1988-),男,河南许昌人,主要研究方向为金融工程与风险管理。
转载注明来源:https://www.xzbu.com/4/view-11447098.htm