大数据人力资源管理：变革与挑战

2018-05-31桂弘诣

复旦学报（社会科学版） 2018年3期

姚凯桂弘诣

(复旦大学管理学院，上海 200433)

一、引言

从管理学正式作为一门科学诞生之日起，管理者就一直在不遗余力地推进管理对象的量化，并且使自己的决策能够更多地基于数据和模型(data-driven)而不是直觉(instinct-driven)。基于事实的定量分析方法作为现代科学的重要标志，伴随着管理学和管理实践的发展历程(McAfee & Brynjolfsson, 2012)*Andrew McAfee, Erik Brynjolfsson, and Thomas H. Davenport, “Big data: the Management Revolution,” Harvard Business Review 90.10 (2012): 60-68.。

时至今日，以商业智能(Business Intelligence)为代表的数据分析已经在运营管理、市场营销以及财务金融领域取得了丰硕成果。在这些管理领域中，数据和模型已经成为如水和空气一般的生存必需品，商业智能提供的相关数据已经成为管理者决策仰赖的基本依据。包括谷歌在内的商业智能领域的先行者，不止一次在媒体和公开场合表达他们使一切商业决策都基于数据分析的野心。

然而，如果进一步审视不同领域的管理实践在数据分析功能上的发展，那么就会发现这一趋势并不是均衡协调推进的。其中一个明显的掉队者，就是人力资源管理部门(Boudreau & Cascio, 2017)*John Boudreau, and Wayne Cascio, “Human Capital Analytics: Why Are We Not There?” Journal of Organizational Effectiveness: People and Performance 4.2 (2017).。尽管人力分析(HR Analysis)的概念久已有之，相关的软件公司亦提供了标准化的人力资源数据系统(HRIS)，但目前大部分公司的人力分析依然停留在所谓的“初级阶段”，以对过去人力资源情况的描述性统计为主，例如员工人数、年龄、出勤率和薪酬的统计等。尽管大量的组织都对人力分析表现出强烈的兴趣，但是他们依旧处于从“人力资源报告”到“人力分析”转型的探索阶段。根据德勤公司的一项调查，尽管有75%的受访公司认为人力分析对于提高公司的绩效至关重要，但是只有8%的公司认为他们在这方面具有较强的实力(Bersin et al., 2015)*Josh Bersin, “The Geeks Arrive in HR: People Analytics Is Here,” Forbes Magazine (2015).。人力资源经理在大多数人力资源决策上，例如招聘选拔、绩效评估和培训上，依然倾向于相信自己在多年的工作中积累的经验和直觉，而不是表格中的数字(Sullivan, 2013)*John Sullivan, “How Google Is Using People Analytics to Completely Reinvent HR,” TLNT: The Business of HR 26 (2013).。

回顾商业智能的发展历程，技术进步，特别是信息技术的进步在其中起到了决定性的作用。进入21世纪以来，随着电子商务、物联网、移动互联网、智能终端设备以及社交网络的蓬勃发展，与商业智能相关的数据量经历了爆发式增长，远远超过了当时的数据处理系统能够应付的水平，海量数据中隐藏的商业价值有待开发(Manyika et al.,2011)*James Manyika, et al, “Big Data: The Next Frontier for Innovation, Competition, and Productivity. 2011,” McKinsey Global Institute (2011).。因此，大数据技术应运而生，在短短的数年时间内就从概念的提出发展到建立以分布式存储和分布式运算为核心的数据处理架构，实现了大规模商业应用，犹如一股浪潮席卷了商业世界，甚至达到人人自危的地步。大数据技术犹如为过去的商业智能插上了翅膀，彻底改变了商业分析的面貌，数据分析处理的数据量和分析速度得到了极速提升，并且使得企业家对于数据分析的重视达到了空前的高度(Anderson, 2008*Chris Anderson, “The End of Theory: The Data Deluge Makes the Scientific Method Obsolete.” Wired Magazine 16.7 (2008): 16-07.; Bollier et al., 2010*David Bollier, and Charles M. Firestone, The Promise and Peril of Big Data (Washington, DC: Aspen Institute, Communications and Society Program, 2010).; Floridi, 2012*Luciano Floridi, “Big Data and Their Epistemological Challenge,” Philosophy & Technology 25.4 (2012): 435-437.)。

与此同时，人力资源管理部门正面临前所未有的巨大挑战。人才，特别是尖端技术人才和团队正日益成为企业竞相争夺的对象。Facebook、百度、华为等公司已经开始尝试将尚未毕业的学生提前揽入麾下(Isson & Harriott, 2016)*Jean Paul Isson, and Jesse S. Harriott, People Analytics in the Era Of Big Data: Changing the Way You Attract, Acquire, Develop, And Retain Talent (John Wiley & Sons, 2016).。高端人才在不同公司甚至不同国家之间的流动更加频繁，以整体获得目标企业研发团队为目的的兼并收购层出不穷。以谷歌为代表的科技公司甚至将最大限度地激励“创意天才”、使其创造力得到最大可能的释放作为公司未来核心竞争力的关键所在(Schmidt & Rosenberg, 2014)*Eric Schmidt, and Jonathan Rosenberg. How Google Works (Hachette UK, 2014).。

大数据技术为人力资源部门在数据分析上取得突破提供了绝佳的战略机遇(Boudreau & Cascio, 2017)。通过使用传感器或者可穿戴设备跟踪员工的个人和团队工作、在办公场所的物理移动、与他人的交流互动等行为，大数据能够成为管理者分析个人和团队行为的潜在有力工具(George et al.,2014*Gerard George, Martine R. Haas, and Alex Pentland, “Big Data and Management,” Academy of Management Journal 57.2 (2014): 321-326.; Chen et al., 2012*Hsinchun Chen, Roger HL Chiang, and Veda C. Storey, “Business Intelligence and Analytics: From Big Data to Big Impact,” MIS quarterly 36.4 (2012).)。人力资源部门如何用好大数据这一工具，像当年的市场营销部门一样，实现向数据驱动的转型以应对当前人力资源管理的各种挑战，已经成为实践中迫在眉睫的问题(Fairhurst, 2014)*Paul Fairhurst, “Big Data and HR Analytics,” IES Perspectives on HR 2014 (2014): 7-13.。这对于在新的技术条件下进一步拓展商业智能和人力分析的理论研究空间，开拓崭新的研究方向也具有重要意义。遗憾的是，除了少数论文和著作涉及这一话题(Isson & Harriott, 2016)，学术界对此几乎保持沉默。

在这里，首先需要对几个概念进行界定，以作为本文进一步讨论的基础。人力资源大数据是指一切对于人力资源管理中的决策支持、洞察发现和流程优化具有潜在价值的大数据的集合。大数据人力资源管理是指充分运用大数据技术和其他数据处理技术，获取和分析包括人力资源大数据在内的一切有价值的数据，并将其转化为与人力资源管理相关的商业洞察，用于指导人力资源管理实践，最终实现商业价值提升的人力资源管理模式。

二、文献综述

(一) 人力分析的相关研究

1. 人力分析的内涵

人力分析可以被看作是商业智能在人力资源领域的一个细分职能，其基本定义和方法与商业智能一脉相承。人力分析的本质是在人力资源管理中通过数据建立完整的逻辑链条。它通过对原始数据进行挖掘，得到有价值的信息，最终通过一个完整的逻辑框架建立从人力资源到组织目标之间的逻辑联系(Momin & Mishra，2015)。由于在管理实践中人力分析项目发展缓慢，故目前人力分析的内涵还处于不断丰富的发展过程中。

2. 人力分析的原则和步骤

综合过去的研究文献，组织开展人力分析主要遵循如下三条原则：第一，人力资源部门的负责人必须从战略的高度理解组织的人力资本是如何为组织目标的实现做出贡献的(Boudreau & Ramstad, 2007)*John W. Boudreau, and Peter M. Ramstad, “Talentship, Talent Segmentation, and Sustainability: A New HR Decision Science Paradigm for A New Strategy Definition,” Human Resource Management 44.2 (2005): 129-136.。第二，人力分析想要得到有价值、有意义的结果，必须建立在对于数据本身以及搜集数据的环境有深刻理解的前提上，也就是所谓的逻辑驱动的分析(Boudreau & Jesuthasan, 2011)*John W. Boudreau, and Ravin Jesuthasan. Transformative HR: How Great Companies Use Evidence-Based Change for Sustainable Advantage (John Wiley & Sons, 2011).。第三，人力分析必须能够识别组织中的关键人才，即对于组织的战略目标影响最大的那一部分雇员(Boudreau & Jesuthasan, 2011)。

雇员研究协会(IES)在2014年的报告中指出了人力分析的五个基本步骤：将具体的商业问题转为数据分析问题；搜集、结构化、存储和操纵数据；用标准化的统计处理技术对数据进行初步分析；采用机器学习和神经网络等方法对数据进行深入分析；将数据分析的结果以清晰且具有说服力的形式传递回商业世界(Fairhurst, 2014)。

当前学术界对于人力分析的原则和步骤的研究基本上基于先进企业最佳实践的经验总结或者一般性的商业智能方面的研究，主要缺陷在于没有能够与人力资源管理部门的具体职能深度融合，未充分体现人力分析的独特性。

3. 人力分析对人力资源管理的影响

随着人力资源管理与商业活动的联系日益紧密，循证人力资源管理和人力分析变得日益重要(Boudreau & Ramstad, 2007;Gibbons & Woock, 2007*John M. Gibbons, and Christopher Woock, “Evidence-based Human Resources: A Primer and Summary of Current Literature,” Conference Board, Incorporated, 2007.)。如果没有严格追踪人力资源措施和结果，人力资源决策就难以被认为是科学的。尽管很多人力资源决策需要直觉和经验，但人力分析有助于使人力资源管理向专业和严谨的方向发展(Ulrich & Dulebohn，2015)*Dave Ulrich, and James H. Dulebohn, “Are We There Yet? What’s Next for HR?” Human Resource Management Review 25.2 (2015): 188-204.。

(二) 大数据及其对人力分析的影响

得益于数字化技术，越来越多的人类行为都留下了数字足迹，并且这些足迹的收集、存储和整合已经可以通过自动化的方式完成。大数据技术用于人力分析的主要障碍在于整合。整理和分析传统人力资源信息系统中的数据与这些非结构化数据的技术手段尚不成熟，并且存储和分析这些个人数据会导致尖锐的个人隐私和道德上的挑战(Angrave et al., 2016)*David Angrave, et al, “HR and Analytics: Why HR Is Set to Fail the Big Data Challenge,” Human Resource Management Journal 26.1 (2016): 1-11.。

大数据能够反映所关注对象的整体情况并且提供很高的分辨率；不要求一定有前置性的理论、模型和假设；数据能够“自己说话”，不受人们主观偏见和思维定式的影响，从大数据中浮现的任何模式和相关性都具有其现实性；数据分析结果的意义超出了内容和专业领域的限制，可以被任何能够理解可视化分析结果的个体所掌握(Kitchin, 2014)*Rob Kitchin, “Big Data, New Epistemologies and Paradigm Shifts,” Big Data & Society 1.1 (2014): 2053951714528481.。这些都将对当前人力分析的范式产生深远影响。

当前，学术界一致认为大数据技术将会对人力分析产生革命性的影响，但遗憾的是，除少数著作外(Isson & Harriott, 2016；王通讯，2016*王通讯著：《大数据人力资源管理》，北京：中国人事出版社，2016年。)，能够具体而系统地阐述大数据技术如何应用于人力分析的各个环节，以及大数据将会如何改变人力分析和人力资源管理的研究还极为有限。

三、人力资源分析系统的变革

(一) 数据搜集

1. 数据内容

过去人力分析涉及的数据内容主要是基于人力资源信息系统中的结构化数据，主要包括简历、年龄、籍贯、教育经历、工作经历、出勤情况、绩效和薪酬等。大数据技术大大拓展了人力分析所能够使用的数据内容。本文认为，人力资源大数据可以分为生理大数据、行为大数据和关系大数据这三种基本类型。

生理大数据主要包括实时的生理指标和人类基因数据这两种基本类型。人的生理活动是一切外在行为的基础和支撑，不受主体自身意志的控制，对人力资本现在和长期中价值的实现具有重要影响。得益于可穿戴设备和便携式生理分析技术，实时连续监测人体包括心跳、体温、睡眠、激素水平以及其他理化指标并进行数据存储和传输已经成为现实。这些指标动态、全面地反映了一个人的生理状态和健康水平，对于企业降低因病缺勤损失及员工保健开支具有重要意义。目前，生理大数据在体育产业等高度依赖雇员身体素质的行业中已经得到广泛的应用。另一方面，人类基因包含了海量的遗传信息，属于典型的大数据范畴。这些信息从遗传的角度上揭示了一个人天生的禀赋，对于人力分析具有重大的参考价值。目前，以华大基因为代表的基因大数据公司正致力于降低基因检测的成本并推动这项技术的大规模应用。虽然人类基因数据目前还限于医疗健康领域的应用，但在将来，基因数据却很有希望成为人力分析的重要组成部分。

行为大数据主要包括教育、求职、工作、娱乐和消费等方面的行为数据。相比于过去企业掌握的行为数据，这些数据在精细程度上有显著提升。例如，教育行为大数据包括在线教育资源的使用、图书资料的购买和借阅、参与非正式的技术分享等；求职行为大数据包括在线浏览职位和公司信息、投递简历、与猎头的接触以及参加面试等；工作行为大数据包括在办公场所的移动、办公软硬件设备的使用情况、使用讨论室的频率、使用工作场所休闲设施的频率以及在会议中的发言等。

关系大数据主要包括在线互动行为和线下互动行为。在线互动行为包括成员之间在包括电话、邮件系统以及其他即时通讯系统上的联系行为，及其在各种社交网络中的发布和互动行为；线下互动行为包括项目团队内部的沟通和合作、茶水间的交流行为以及非工作场所的互动等。关系大数据为勾画成员间的联结网络和联结强度、进行社交网络分析提供了数据基础。

2. 数据来源

人力资源大数据有两个主要来源，其一是公司内部数据，其二是外部数据合作。公司内部的数据来源主要包括智能手机(包括APP)、可穿戴式设备，办公场所物联网和传感器设置，公司内部通讯系统、数字化办公系统和ERP系统等，主要涉及公司内部跨部门的数据整合和共享(McAfee & Brynjolfsson, 2012)。外部数据合作主要包括与网络运营商、电子商务网站、在线社交平台(Tufekci, 2014)*Zeynep Tufekci, “Big Questions for Social Media Big Data: Representativeness, Validity and Other Methodological Pitfalls,” ICWSM 14 (2014): 505-514.、即时通讯软件厂商等开展数据合作(Jagadish et al., 2014*H. V. Jagadish, et al, “Big Data and Its Technical Challenges,” Communications of the ACM 57.7 (2014): 86-94.; Heuvel & Bondarouk, 2016*Van den Heuvel, Sjoerd, and Tanya Bondarouk, “The Rise (and Fall?) of HR Analytics: A Study into the Future Application, Value, Structure, and System Support,” Journal of Organizational Effectiveness: People and Performance 4.2 (2017).)，以弥补公司内部数据的不足。

在大数据条件下，人力分析的数据来源具有如下特点：首先，尽可能从多种不同来源获得数据，以便于对数据进行三角验证，提高数据质量(George et al., 2014)。其次，数据搜集手段以自动化采集为主，不需要人工调查或填报，搜集的速度很快，绝大部分数据是实时数据。最后，尾气数据(exhaust data)在人力分析中占据主导地位。尾气数据不是为人力分析的目的而有意识收集的，而是在提供服务的过程中自然产生的。对于数据的产生者来说，这些数据都不是有意识地提供的，而是其行为的忠实记录，大大增加了关于人的数据的真实性、连续性和实时性。缺陷在于数据的非结构化、低相关性，以及由于当事人不知情而造成的隐私问题。

(二) 数据整合

1. 传统人力资源数据和人力资源大数据的整合

过去人力分析主要依赖企业人力资源信息系统中结构化的数据，主要包括现任雇员和未被雇佣的求职者的职业履历、技能特长、正式教育经历以及人口统计信息，对于现任雇员来说还有工龄、历史薪酬和绩效、培训记录等信息(Angrave et al., 2016)。这些数据的优势是与人力资源相关性强，准确、完整，数据质量高；但局限性在于数据搜集成本高，数据延迟时间长，缺乏连续性的数据，反映的内容有限。这些传统数据库中的数据恰好可以与人力资源大数据形成优势互补。因此，在大数据条件下，需要将这些传统的结构化数据和多种不同来源、结构化程度不同的人力资源大数据进行整合，并将数据结构化，最终得到可以进行分析的数据集(Angrave et al., 2016)。

2. 人力资源数据与其他业务部门的数据整合

人力分析要真正创造价值，必须“跳出”人力资源部门进行人力分析。例如，通过跨部门的数据共享，将人力资源大数据与组织的业务部门数据、运营数据、财务数据等进行整合并予以综合性的商业分析(Fairhurst, 2014)，将人力资源投资与公司经营成果之间，以及人力资源管理与公司的战略目标之间建立起清晰的关联性。

(三) 数据分析

1. 数据分析方法

在数据分析的方法上，呈现出如下三个方面的变革。首先，数据分析的自动化程度提高，分析方法的通用性增强。随着人工智能和机器学习在大数据分析中的应用，不需要改变程序就能够分析不同类型、不同结构的数据，有些系统甚至能够自动做出反馈。其次，数据分析的实时性要求提高，大多数情况下要求立即得出结论。最后，人力资源管理的理论不再是人力分析的必要前提，相关分析方法逐渐占主导地位(Kitchin, 2014)。

2. 数据分析目标

在数据分析的目标上，预测成为人力分析的核心目标(Heuvel & Bondarouk, 2016)。精准的预测能力是人力分析能够支撑人力资源决策并创造商业价值的关键，例如通过预测候选人的工作潜能和忠诚度来优化招聘决策能够提高员工的生产率并降低离职率。

在过去的人力分析中，对于不能直接进行观察的能力和动机等因素，主要在人才测评理论的指导下，依赖人力资源经理的直觉和经验进行判断。得益于大数据技术对于人才生理活动、行为以及人际关系角度的全面观察，大数据条件下人力分析的另一项重要目标就是通过可以观察的外在表现和行为推断不能观察的能力、动机、情绪和心理状态，以及产生绩效的原因等内在因素 (Davenport et al., 2010)*Thomas H. Davenport, Jeanne Harris, and Jeremy Shapiro, “Competing on Talent Analytics,” Harvard Business Review 88.10 (2010): 52-58.。

(四) 数据分析结果的呈现

如果止于分析本身，则是不能创造价值的。对人力分析而言，只有当分析得到的商业洞察被决策者采用时，才有可能创造价值。这类似于一种内部销售的过程。要达到使分析结果变得容易理解和转化为行动的目的，最核心的变革在于将数据的洞见与决策者关心的商业问题相结合，强调分析结果呈现的时效性和针对性，通过规范分析提供切实可行的建议，并且用后续数据不断证明人力分析所创造的商业价值(Boudreau & Cascio, 2017)。

(五) 人力分析的组织和流程的变革

1. 人力分析组织架构的变革

从事人力分析的人才方面，需要数据科学家、人力资源专家、部门经理和公司高层参与协作(Fairhurst, 2014)。例如，谷歌公司的人力运营部门(People Operation Department)的人员构成即是人力资源经理、业务咨询顾问、数据科学家各占三分之一。

2. 人力分析流程的变革

传统人力分析的流程是从问题出发，有针对性地搜集数据并完成数据分析工作。而基于人力资源大数据的分析，则既可以从问题出发，也可以从数据出发。

基于大数据技术的人力分析流程的另一项变革是通过算法和模型的迭代进化形成数据分析的闭环。从人力资源大数据到商业洞察再到管理决策和行动，人力分析的过程并没有告一段落，而是依据行动的反馈来检验人力分析的有效性，并且进一步改进、优化或者放弃现有的数据分析模式，使得人力分析本身在应用中不断迭代进化(LaValle et al.,2011)*Steve LaValle, et al, “Big Data, Analytics and the Path from Insights to Value,” MIT Sloan Management Review 52.2 (2011): 21.。

图1 人力分析闭环的影响周期模型

四、人力资源工作流程和工作方式的变革

(一) 人力资源职能的变革

1. 人力资源规划

基于大数据技术的人力资源规划以满足实现公司战略目标对人力资源的需求为目标，基于人力资源大数据、公司运营和财务大数据、产业和市场大数据以及宏观经济大数据，采用机器学习等现代预测技术来预测人才供给和需求。预测的内容更加广泛、精确和细致，不仅包括人才的数量，还包括人才的具体类别和所需要的素质。预测的范围可以拓展到5～8年，使得中长期人力资源规划成为可能。例如，在过去的几十年里，陶氏化学公司根据公司4万名员工的历史数据以及产业和资金大数据，预测出整个化工行业以七年为一波动周期的劳动力需求情况，据此测算企业的员工晋升率、内部职位调动和其他人力供应等情况，并设计了一个模型工具——陶氏战略性人员配置模拟，用以测算5年后的人员需求以及剩余员工的数量(Isson & Harriott, 2016)*③ Jean Paul Isson, and Jesse S. Harriott, People Analytics in the Era Of Big Data: Changing the Way You Attract, Acquire, Develop, And Retain Talent (John Wiley & Sons, 2016).。

2. 招聘

人力资源大数据将会改变招聘的运作方式。从人才搜寻的角度，从过去基于公开招聘信息的被动搜寻转向基于大数据的人才定位的主动搜寻。在数字化时代，人才必定会在网络中留下“数字足迹”，这些线索为企业主动定位相关人才提供了依据。例如，人才在社交网络上发布的简历信息、与已知人才之间的互动行为、在搜索引擎中的搜索记录、移动智能终端记录的位置信息，以及在包括GitHub等专业网站上的活动记录等等。人力资源大数据为企业提供了全新的人才搜寻渠道。例如，巨兽公司旗下的TalentBin从诸如GitHub 、Stack Overflow、推特、领英、谷歌以及其他利基网站和社交媒体平台上汇总候选人的资料，然后为每个人创建唯一的标识档案，包括数字足迹、微型工作产品以及可公开获取的联系方式和简介信息(Isson & Harriott, 2016)③。这对于难以填补的科学、技术、工程和数学领域里的职位空缺非常有用。

在人才的筛选和测试方面，人力资源大数据缓解了劳动力市场的信息不对称问题(Barman, 2015)，帮助企业以最少的投入甄别出最佳人选。基于文本分析的大数据技术从简历筛选环节就开始缩小了需要进入测试的候选人范围，其筛选条件基于历史简历数据和入职后绩效数据不断迭代优化以提升简历筛选的精确度。人力资源大数据使得招聘测试得以简化，只保留数据证明与入职后表现高度相关的部分，甚至不再需要现场测试。这是因为过去只能通过复杂的测评手段才能够获取的人才信息在当下已经能够在人力资源大数据中找到替代品，且其数据取得的成本要低廉得多。

3. 绩效

大数据技术使企业从周期性绩效考核转向实时跟踪绩效波动，为员工提供及时的绩效反馈，并依据绩效动态调整薪酬激励。过去的绩效考核数据搜集成本高，费时费力，所以大多以半年或一年为绩效评价的周期。人力资源大数据提供了丰富的定量绩效数据，并且其中大部分是实时更新的，能够反映员工的绩效波动情况，并通过在线系统对员工提供自主性的绩效反馈。例如，容器商店公司(The Container Store)正在使用可穿戴设备实时跟踪其店员与同事、顾客之间的交流互动情况，以及店员在店内的位置移动状况，将此作为绩效考核的依据之一。

此外，绩效评估的主观因素降低，过去难以量化的因素被大数据所囊括，评估方式更为透明。基于能够细致反映员工工作过程的人力资源大数据，新的绩效评估不仅衡量工作的结果，也解释产生结果的原因，为绩效反馈提供更具体的改进建议。

4. 留任

大数据分析能够发现早期的离职倾向。不同于以往当员工明确表现出离职意向的时候才进行留任干预，通过分析历史上的离任行为和对应的大数据特征，就能够建立离任预测模型。通过对员工进行持续监测，可以提前3～5个月识别具有潜在离职倾向的员工，为人力资源经理提供了主动干预的时间。例如，德勤公司基于员工的出勤记录、工作时间、休假时间、对客户的影响、付出的努力以及旅行的频率和距离等大数据，通过统计模型识别出离职倾向排名前10%的人，其离职意愿是德勤以往案例研究所得到的平均水平的330%，并且能够识别出人物、时间和原因。

5. 员工问题

相比于过去企业为员工提供的周期性的体检和心理评估，大数据技术能够实时监控员工的生理指标和健康状况，这为发现早期的员工问题提供了数据支撑，使得企业能够将过去广泛提供的健康和员工福利变为主动为有需要的员工提供个性化服务，将过去由于员工问题导致的缺勤损失以及医疗支出变为预防性的保健支出。员工健康数据也能够用于评估当前相关设施和员工关怀项目的有效性。

(二) 大数据技术使人力资源管理的工作方式发生了根本转变

首先，大数据技术使人力资源从经验和直觉驱动向数据驱动转型 (McAfee & Brynjolfsson, 2012)。其次，大数据技术提升了人力分析的预测能力，使人力资源管理从被动处理问题转型为主动发现潜在问题和提升商业价值的机会，并采取行动。最后，人力资源管理的主要职能可从周期性工作转变为实时连续跟踪，做到立即处理、立即反馈(Barman, 2015)。人力资源管理的敏捷性和快速反应能力得到了质的提升。

图2 大数据人力资源管理的理论框架

五、组织架构与组织文化的变革

(一) 人力资源部门角色的变革

人力资源部门的角色将从成本中心和服务支持部门转型为以人才管理为核心的战略决策部门(Boudreau & Ramstad, 2005)。从人力资源管理到人才管理意味着人力资源范式的转变，以及人力资源部门角色的变革。这意味着高层管理者将人才看作组织最重要的资源，将获取、发展和保留最优秀的人才作为实现公司战略目标的根本保障。这也意味着人力分析将着眼于公司重大战略目标的实现，着眼于应对激烈的人才竞争(Heuvel & Bondarouk, 2016)。

(二) 组织架构变革

企业组织架构的设计需要适应组织内部原始数据搜集和共享、业务部门与数据分析部门高效协同、数据分析结论高效转化的需要。整合组织内部各业务部门的数据，实现数据互联互通是建构人力资源大数据的前提。在组织架构设计上需保留各部门间数据共享的接口，建立有利于部门间数据共享的激励机制(Barman, 2015)。建议采用矩阵组织和设立分析小组的形式以促进数据分析人才在组织内部的灵活流动(McAfee & Brynjolfsson, 2012)。

(三) 组织文化和管理心智模式的变革

人力资源大数据最大的改变不是技术层面的，而是组织中的人对于数据分析态度的改变(McAfee & Brynjolfsson, 2012; LaValle et al.,2011)。受到历史观念的影响，在过去，组织在涉及人的决策上普遍依赖于经验和直觉，而不是数据；即便涉及数据，也往往是利用数据来论证一个先入为主的结论。要改变这种状况，应从组织文化的层面推行数据驱动，提高组织成员的数据素养，使更多的成员能够以直接或者间接的方式参与人力分析项目，并用客观的数据证明人力分析创造的价值，以此促进管理心智模式的转变。

六、大数据技术应用于人力资源的挑战

(一) 个人隐私问题

大数据技术应用于人力资源最大的挑战就在于个人隐私问题。不同于其他类型的大数据，人力资源大数据聚焦的对象是人而不是物。为了达到人力分析的目的，很多时候需要识别分析对象的身份，即便这些数据并未公开且仅仅用于人力资源管理、即便保证了分析对象的知情权，这些分析行为也依然有可能给分析对象造成窥探个人隐私的不安全感和不满，导致额外的副作用，同时也可能违背个人隐私保护的法律法规，给组织造成重大损失。

(二) 复合型大数据人才

大数据技术的广泛应用造成了全球范围内数据分析人才的紧缺。然而无论是数据科学家还是人力资源专家，都不能够独立完成大数据人力资源管理的全部工作。因为人力分析既涉及对人力资源管理职能和公司战略目标的理解，也需要从海量数据中挖掘商业洞察的分析技能(Frederiksen, 2012)*Linda Frederiksen, “Big Data,” Public Services Quarterly 8.4 (2012): 345-349.。在人力分析项目中时常出现人力资源专家和数据科学家之间无法有效沟通和理解的问题。综上，复合型大数据人才是未来制约人力资源大数据发展的主要瓶颈之一。

(三) 两个重要的权衡关系

数据和经验直觉的权衡、相关关系和因果关系的权衡是人力资源大数据中最重要的两对关系。人力资源大数据要求经理人从依赖经验直觉转向依赖客观数据(McAfee & Brynjolfsson, 2012)，但这绝不是否定经验直觉的重要性。数据和经验直觉之间权衡的挑战包括：如何利用经验直觉更深入地解读数据中浮现出来的模式和相关性，从而产生更准确的分析结论；如何利用数据分析的结论填补经验直觉中的盲区和误区，拓展经验的范围；如何在经验直觉与数据分析结论冲突的时候准确判断哪一个更为接近人力资源管理的现实，并做出相应的调查和修正。

大数据技术一度宣称理论和因果关系不再重要，对企业来说相关关系就足够了(Kitchin, 2014)。然而统计专家正对大数据技术中相关关系的可靠性提出质疑。从人力分析的角度看，在预测分析能够创造巨大商业价值的领域，苛求相关关系的可靠性是没有必要的，因为预测创造的价值能够包容预测误差所造成的损失(Agarwal,2014)*Ritu Agarwal, and Vasant Dhar, “Big Data, Data Science, and Analytics: The Opportunity and Challenge for IS Research,” (2014): 443-448.。然而，当分析时效性要求不高，且我们有充足的时间和条件通过实验设计检验因果关系的时候，理论解释和因果关系依然是有必要的(Harford, 2014)*Tim Harford, “Big Data: A Big Mistake?” Significance 11.5 (2014): 14-19.，这可以确保我们在将一项人力资源政策大规模实施时所要求的可靠性和稳定性。

七、未来的研究方向

(一) 围绕个人隐私问题的研究

个人隐私问题作为制约人力资源大数据发展的最大瓶颈和潜在风险，需要在将来从多个不同的层面深入研究，这是人力资源大数据管理能够实施的前提。首先，从技术的角度，研究能够帮助人力分析部门构建最大限度地挖掘人力资源大数据的商业价值、同时减少对个人隐私的窥探的风险之定制化的大数据分析系统是解决这一问题的根本出路。例如，通过数据脱敏减少数据中个人敏感身份信息的暴露，开发自动化的数据处理技术，使得人力分析从原始数据到结果反馈的过程在黑箱中运行以减少个人隐私泄露的机会。

其次，开展关于人力资源大数据相关的法律法规和行业规范的研究，明晰其应用的边界和运行的规范性。个人隐私保护的制度设计既要给人力资源大数据的进一步发展留有余地，也要明确个人隐私保护的底线，这是将来人力资源大数据研究的一个重要方向。

最后，开展人力资源大数据的产权研究。例如，个人在社交网站或求职平台上的数字足迹的产权究竟属于个人还是相关平台？平台需要以怎样的方式取得数据授权？平台是否有权或以哪些形式利用这些数据开展商业分析或者将这些数据出售、转让给其他组织？个人是否对于自己产生的其他尾气数据具有完全的产权？在数据产权受到侵犯的时候如何实现权利救济？诸如此类。

(二) 建立适应于人力资源大数据的人力资源管理理论

过去的人力资源理论已经不能完全解释人力资源大数据在人力资源管理中的应用，当前很多全新的人力资源管理实践本质上在理论真空中运行。例如，谷歌公司通过大数据分析发现，基于过去的人才测评理论设计的面试问题与员工入职后的绩效相关性很低，真正能够预测员工入职表现的是一些以往理论认为无关紧要的问题，但这种不能被理论解释的相关性却能够很好地提升招聘绩效。因此，开展适应于人力资源大数据的新的理论的建构研究非常有必要。人力资源大数据带来的人力资源管理实践的变革、创新，以及全新的数据搜集手段，也为人力资源理论的拓展创造了得天独厚的条件。