数字时代，还在用那些老掉牙的人力指标吗

【大川说量子HR】 
要我说，不知道怎么通过这些人力指标进行诊断分析，那就对了。因为这些人力指标在90%的应用场景下，就不适合用来进行管理分析的。听我来为你具体分析其中的门道。

这几年，商业数据分析在国外已经进入到一个崭新的时代。很多外企有专门的BI分析岗位、高校也有专业。但是，为什么数据分析很难引入到HR领域呢？我认为主要还是数据来源的问题。这几年，很多HR也动不动就大谈数据分析，我也仔细看了其中的很多内容，发现基本上都是扯概念的多。许多从传统HR成长过来的所谓HR数字分析专家，可能根本就不具备大数据分析的思维和知识储备。把人事费用率、人工产品成本占比这些传统人力指标硬是曲解成是大数据分析，就是最常见的错误；后面再套一个时髦的模型进行所谓的预测，这就大数据分析啦？

其实，新时代的数据分析从大模块来看，至少分为两个重要过程，即前端的数据信息收集（主要是数据采集的自动化和标准化，要实现这一点，就包含数据自动采集、清洗、填补、量纲化和入库这些操作）以及后段的数据解读或运用一些预测模型在历史数据集上进行训练和拟合预测。它和我们传统HR数据分析的差别在于两个：一是前端数据量要大，才有可能产生新见解（insight），“新”就是告诉大家，这种数据观察是不含或违反对结果的先验预期的；二是可以随时地、快速地用多种模型对结果进行动态拟合和预测，让我们可以时刻已多个判断视角、动态地观察数据，以达到对未来数据比较靠谱的判断。如果你了解我量子HR管理对人的假设模型，你就会发现这是通过技术手段来扩大生物人有限理性的感知范围。所以，它的特征必须要“多”和“快”，而实现手段只能是自动化。

而在HR领域呢，我发现大家对于数据的理解和管理是非常落后的，这种落后更多地体现在数据采集阶段的认知、技术和管理落后。国内的HR普遍是文科出生，对于自动化的概念和实现路径，基本都很模糊。如果说各类报表数据是1.0时代，汇总成案例中的一些指标属于数据管理2.0时代。大部分企业可能就存在于1.0和2.0的时代。而利用自动化技术的大数据分析，其实早就已经迈过了3.0时代。

比如案例中所提到的这些指标，人事费用率、劳动分配率、人工成本在产品占比，这些指标为什么我说90%不管用？因为，现在很多人需要的诊断是面对未来的、预测性的。而这些人工采集的数据指标，采集范围很小，颗粒度太粗，根本说明不了问题。因此，你在这些数据指标上，无论再如何建模和拟合，比如使用蒙特卡洛模拟、随机漫步、线性回归等fancy的技术，也不能改变它的实质（有兴趣的可以了解一下，数据处理的GIGO原则）：你的这些预测根本就不靠谱。

举个例子，一季度全公司平均的人事费用率占比为45%，但某个事业部人事费用率只有10%，还有一个事业部达到80%。是不是有问题？不一定的。有可能第一个事业部因为项目收尾、人都遣散完了，又或者通过外包服务、把实际的人工成本计入到管理费用了；而另外一个事业部可能是新BU，最近招了一批人，人工预算当然花得多了。很多人辩解说这是特例情况，指标可以引导管理关注，还是非常有用的。这点我并不否认。但我们现在讨论的是，传统人力指标是否有预测性价值的问题。我要说的是，现在商业经营的变化频率在不断加快；另一方面，即使脱离这些人力指标，公司也会关注这两个事业部的这种特殊情况。那么，传统人力指标存在意义又在哪里？如果你能够为公司经营班子建议一下，第二个事业部的标准人事费用率应该是多少，那也可能是一种价值？可惜，大部分HR会在这里卡壳了。

所以，问题的关键是，“我们的数据分析和诊断无法面向未来”，而阻碍它转变的最大障碍是缺乏足够的、合格的数据源。

其实，传统人力指标还是有10%的适用场景的，指的是什么呢？那就是在经营模式稳定的企业和业务中，面向历史地监控企业的效率状况，让企业能够有一个清晰的效率提升方向；然后让企业能够进一步内部挖潜各环节、各要素的人力成本效率。特别是为制造型企业提升效率指明方向、搞清楚进行程度，那还是管用的。这些指标原先其实也就是用于这些管理场景的。记住，这类传统人力指标本来就是趋势性的、关注类的单体指标，不能用于持续性的、对趋势的数据诊断。当然，偶尔一次被咨询公司用来对标，说明一些企业存在的问题，还是可行的，但它也只是起到辅助说明的效果。

所以，要做好我们人力资源的数字管理和数据分析，关键还在于对于前端关联性数据的自动化搜集。也就是企业必须自己制造数据源。其实呢，在这个信息时代，要做这些事情并不算太难。因为可以采用很多网上现存的、免费的、集成性的工具，但前提是：懂一些编程语言。

另外呢，其实也有很多企业尝试通过管理信息系统平台来打通信息的孤岛，比如用ERP系统、OA系统来收集标准化的数据。但是在我个人看来，用信息系统来自动决策可能是一条错误的路线。错误的关键在于，把努力希望寄托在系统自动的逻辑理性判断上。大道至简，这种化简为繁的想法，首先我认为就违反了自然规律。其次，系统开发其实是“技术作为一种生产新要素资源的集聚过程”。把决策交给系统，其实就是不断增加技术在未来生产环境的主导权，会间接弱化“劳动力”和“企业家”要素的地位和存在感。技术作为生产要素资源，可能会起到与资本对分配影响所产生的类似效果，那就是拉大群体间差距。这都是不利于人类文明发展的。所以，我认为合理的模式应该是，“让技术增加有限理性人的信息感知半径，但人类一定要保留做决策和判断的权利”。所以，各个企业对于自己企业内部数据自动化采集的敏捷性技术开发方案是一个合理的途径。

我自己就曾经开发并且运维过好几个类似的系统。实操过这一块的人都会知道，除非企业用系统的同时，完全摒弃线下的操作，才能够保障数据质量和真实性。一旦线上线下的流程同时存在，线上数据的质量就不可靠。而要做到这一点，大部分企业目前还是没有勇气和认知基因的。在这里可以教大家一个窍门，如果你到一家企业去观察，他说自己有管理信息系统，你就看他所有办公人员的座位上，是不是还有纸质的文件。如果有，还比较多（特别是数量多到需要文件夹来存放的），这家企业的线上数据估计就比较差，不能真正用于有效地经营诊断。你即使再购买如何高端的BI数据分析软件，也是白费。你如果去过阿里，你会发现一个典型的特征，那就是几百个人的工位上基本上都没有我刚才所说的文件，有文件柜的员工也很少。这其实就是在用流程倒逼数据采集以及收集的质量。

此外，数据化的云收集已经被BAT这些企业定为了下一个10年的发展战略。很多企业都开发了相关的免费系统，供大家使用。其实，这些系统也就是解决了后端的问题，关键还是前端录入数据的质量。这也算数据开发领域的“技术换市场”。但有个问题要注意的是，你现在用这些免费系统，其实就是在帮这些软件企业在义务搜集数据，因为它的数据质量还不够，所以生成的报告质量其实是不怎么样的。而等到这些软件的使用客户到达了一定数量级，它的数据诊断也会达到一定的建议质量。那个时候，这类咨询和报告业务也就离收费不远了。所以呢，使用那些免费数据系统的企业，他们所谓的数字化其实是在为商业巨头做公益：不但没有为自己产生多大价值，还在为自己掘数据坟墓。

再强调一遍，破局唯一的出路就是在企业端进行敏捷化数据自动采集。这就要引入数字经营的人才，一类是懂经营懂数字管理，另一类是懂自动化实施的；这两类人缺一不可。有了这两类人才，企业才可以在自己的小环境里面逐步打造智能数据收集、多维度数据收集、专业数字解读的系统和团队。也有人就质疑说，自己的企业比较小，哪里来那么多的数据呢？我想说的是，只要拓展思路，你的每一个管理具体动作都能产生巨大的、有价值的管理数据来源。而我们要做的是，通过自动化采集和分析，来打通这些管理行为中的链路，真正地提升管理效果。

但也要给大家顺便泼一点冷水：数字管理被一些老师说得过分高大上了。其实这东西我们日常生活中很容易接触到，特别是在金融领域。如果你炒过股票，应该知道MACD吧，它其实和HR的马尔科夫趋势分析是一个原理；你知道PE、PB这些上市公司财务指标吧，这其实就是动态的管理关注指标。但知道这些指示性指标，它的预测准确度有多少呢？相信玩过股票的人都知道。

最后为大家展示一个内容，让大家对于“具体管理行为的自动化数据搜集”有个感性的思路。

过程说明：我用一个小程序，自动对每一次猎头推荐的简历，进行JD关键词拟合搜索，并自动记录。以此观察猎头推送简历的质量情况。

让我们一起用量子思维和中国智慧跨越管理障碍，你我共同发掘人的价值。

文|大川，企业管理咨询顾问兼私董会教练，上海交通大学、同济大学外聘讲师。

想要熟练掌握人力成本进行诊断分析，可以考虑来一次系统地学习！三茅《全才训练营》，薪酬绩效与数据强强联合，2020年晋升突破的最佳搭配。

想了解课程具体内容，请《点击这里》，加课程程班主任微信~