人事分析有助于企业更好地管理员工吗？

沃顿知识在线 / 编辑 / 2015-08-12

一家机构做出人事决定的方式对成功与否有着重大影响。传统上，这些决定主要基于直觉和好感，所以容易犯错。但现在，企业开始在诸如招聘、薪酬和绩效考核方面应用数据和精密算法，因为他们确信这有助于做出更好的决策。沃顿商学院人事分析项目发起人Cade Massey和Adam Grant将和沃顿知识在线（Knowledge@Wharton）谈谈为什么基于数据的人事管理方法正不断获取关注。

Read this article in English | Français

K@W:在你们去年的报告之前，我们去年谈及人事分析，今天你们又将再做一场报告，似乎过去一年人事分析的热度确实上升了，为什么人事分析这么火？

Cade Massey: 我同意人事分析似乎确实有那么点儿火了。它首先兴起于科技行业，然后进入金融领域，现在无处不在。我觉得用户欣赏之处在于这是一个过去并没有精密处理的重要功能，突然，他们意识到市场或金融部门早已习以为常的工具也可以用来招聘和制定薪酬。

Adam Grant:直到5年前我和Cade与谷歌合作时我才意识到人事分析的存在。他们以传统的人力资源、顾问、工程师和我们这种组织行为研究人员组成人事分析团队，令人惊讶的是他们能够把以前靠直觉处理的问题通过进行实验、收集数据确定正确选择。谷歌收到了大量他们在此领域重大成果的消息，其他部门负责人也开始想：“我们为什么不这样做呢？我们不也应该有根据地作出重要决定吗？”

关于人事分析我发现一件有意思的事，过去靠直觉做出的许多人事决定现在正逐步转向数据驱动。如果把录用看作企业和员工间契约的起点，你能举几个例子说说人事分析带来了怎样的改变吗？

Cade Massey: 人们对使用客观方法判断谁将在企业好好工作十分感兴趣。相比于面试，我们能否抓取候选人的大学GPA、毕业学校和工作经历，根据这些资料预测他们将会怎样。如果能做到，不就太妙了吗？因为你能高效地审核所有的申请，这将节约大量时间，所以很有前景。这很有吸引力，但现在还很难实现。一旦成功，意义重大，任何前期投资将获得高回报。这仍是一个新领域，没有灵丹妙药，人们热衷于此是因为它的潜力。

假设招聘结束，到了员工入职环节，人事分析将如何优化入职流程？

Adam Grant：谷歌确实注意到了，他们通过不同入职方式实验到底是什么产生了影响，这是他们过去两年里一直在做的。他们认为入职流程十分重要但一直未被充分开发。我不清楚研究细节，但我发现一个结论。当他们研究在谷歌的前几天或前几周有影响的所有事件时，发现最重要的事也许是第一天就去面见经理，也可能是作为新员工分配到许多不同岗位。但迹象表明：“我们入职的一项规则就是你一定要在第一天面见经理。”这是建立员工与雇主关系的重要环节。

我们并非不知道面见经理的重要性，但我认为包括我在内的所有人，确实低估了入职第一天这样做的效果，这就是我们从他们研究中有所收获的一个例子。

Cade Massey：另外，一个人在企业成功与否常常取决于他们为谁而工作，但他们为谁工作其实根本不在他们掌控的范围之内。这不完全是入职流程，这是早期职业生涯、早期实习考虑因素。如果工作进展不顺利，你需要明智处理，而不是一味地责备。或许你需要在更多情境下考量而不是过早地下结论。这都是更加系统和科学地评估或训练员工的例子，而不是那种萧规曹随的陈旧想法。

我们正越来越多地进行团队协作，而团队在地理位置上常常是分散的——跨国跨世代，面临解决婴儿潮一代和百万富翁如何共事的问题。我们可以从人事分析中学会哪些创立与建设高质量团队的方法？

Cade Massey：这就太多了，这是个富矿。一个例子是研究型心理学家Chris Chabris和他的同事最近关于团队智商的研究。他们做了相当有趣的对比，研究个人和集体合作时的团队生产力，他们发现例如团队智商与个体相加是不同的，并非把精英人士集中起来就能做出最好的的作品，而在于他们要理解如何协作和作为团队一员工作。区别于个体智慧之和，团队智慧有独特之处。

Adam Grant：建立在此之上，可能有许多方法组建团队提高团队智慧的可能性。我听到最多的就是多样性的好处，从提供独特视角、观点、技能的角度，毫无疑问多样性有很多价值。但如果看一看人格研究就会发现一些特点事实上有共同点有益而不是有不同点。

研究一下数据，外向/内向最明显的特点是多样性是有用的。一个全是性格外向的人的团队根本不会开始做任务，一个全是性格内向的人的团队常常疏于建立关系，数据表明最高效的团队由两者组成。但这未必能拓展到其他性格特点，例如，亲和性——喜欢社交和谐的人——你能做的最糟糕的事就是把他们加入有极其挑剔和多疑的人的团队，因为脾气不好的人会觉得他们不得不总是小心翼翼。同时，友善的人面临双环困境：“我可以相当友善但表现得令人不快然后讨厌自己，或者表现得相当友善但作用不大。”在这种情况下，最好是有性格共同点或者如何交流的一致标准。我认为我们应该比过去更加审慎地考虑团队组成。

Cade Massey：总的来说，人事分析带来的是深入研究的倾向性，理想情况是围绕它做实验。所以，我们不是采用传统观点，也不是采用某人记录的经营团队的方法而是真正地区收集数据、进行实验、提出这些问题并予以解答。

我们进一步谈谈多样性。例如，有许多关于高科技企业女性的新闻，其中一些具有争议性。人事分析发现了什么证据表明性别角色甚至种族角色与工作表现相关吗？

Adam Grant：Sheryl Sandberg（Facebook首席运营官和畅销书《向前一步（Lean In）》的作者）是运营核心。和Sheryl研究性别问题我获益良多，她有一个优秀的研究者，斯坦福大学的Marianne Cooper，他和我们合作研究数据表达的信息。

我想说的是很多学术研究没有被充分利用，我们充分了解设计方法，例如，绩效评估引导人们评判贡献。我们知道很多高科技行业吸引女性申请人的方法，其实是招聘人员影响很大。沃顿商学院的Matthew Bidwell教授已经在金融领域展示了这点——金融行业女性少的一个原因就是她们申请率不高。事实上女性被雇佣几率稍高，因为金融服务组织确实努力地在引入更多女性，解决性别问题。但当出现在招聘环节的全是男性工作人员时，她们开始气馁了，她们想：“我永远不会得到这份工作的，为什么还要尝试呢？”

我认为社会科学表明的性别问题和大多数组织实际操作的大有区别。看到Facebook和谷歌这样的企业正在这方面取得进展的同时，我们也注意到越来越多的咨询公司优先考虑性别。我知道这是麦肯锡（McKinsey）正在研究的重大课题，美世咨询公司（Mercer）也有一套建立性别平衡工作团队的完整方案，完全由数据驱动，我认为这会在未来几年获得增长。

人事分析对绩效考核和薪酬问题有何作用？

Cade Massey：人事分析主要提供未曾使用过的数据。以点球成金的精神来看，这不是采用传统观点和说法，我们想要以事实为基础。尽管与一些领域例如心理学和人们带有的偏见相重叠，对我们来说其中一个刺激因素是我们能创造一个世界，通过使用人事分析工具切实优化决策。

绩效评估是个经典例子因为其中有太多主观因素，但对人事分析似乎期望过高，它确实只是一个引入我们已经知道数十年的心理学的工具。我们正变得越来越严谨，更多地关注如何优化过程，我们可以找出一些主观因素。例如，尽量使观点中立。所以我在听完你对Adam的评价后不想评判他。我们没有引入关于人的不相关数据，因为从几十年的研究中可知，如果我们知道他的一些事，就不可能把它从我们的想法中区分开来了。

Adam Grant：Cade谈到了完整运行的一些东西。我们也谈到谷歌在激发这个领域的兴趣中扮演的重要角色，但我认为点球成金和运动分析的起步也许也起到了催化作用。

Cade Massey：是的，专业运动在使用工具方面走在了大多数非运动行业的前列，因为其存在性完全基于个体表现。他们获得了更好的数据，他们可以精确地看到投入和产出。你可以看看现在运动是如何围绕数据分析开展的，10年后这些工具将广泛流行。甚至数据使用者的严谨性和科学定位也确实有所提高——因为20年前捣鼓棒球数据的人就把问题解决了。

谷歌在谈话中出现了很多次，有其他企业或组织在这方面的工作给你们留下了深刻印象吗？其他企业能学习他们的哪些经验呢？

Cade Massey：有一些企业长久关注于此。德勤会计师事务所（Deloitte & Touche）进行了很久的员工分析实践，高盛（Goldman Sachs）过去两年进行相关重大举措，瑞士信贷集团（Credit Suisse）对一些全职人员十分感兴趣，强生（Johnson & Johnson）也有涉足。我确信Adam有一长串的名单。

Adam Grant：我补充一点其他产业。美国教育（Teach for America）尤其关注招聘环节，数年来他们跟踪在招聘环节需要做的来预测谁将会是明星老师、谁将会坚持下去。捷蓝航空（JetBlue）也在这个领域有很多进展，他们在好几个不同部门进行尝试，我最喜欢的是认证。当知道给人感激和欣赏的感觉很重要时，如何建立科学的认证？你想要公开认证或是单独认证？

雇佣最佳人选的秘方是什么？

Cade Massey：意识到你永远是错的，你永远不会完成，就是这两点。在美国教育（Teach for America），他们说自己永远不会完成，这不是一次性项目，也不是一年期项目，他们说的其他惊人之语：“这是我们的标准，我们的目标，我们知道他们错了。”这引发了如何改善的持续讨论，这种谦虚态度是分析的绝佳平衡器，因为你会对你的模型相当自信。你需要承认有错的谦虚，我们知道我们是错的。

Adam Grant：我认为人事分析很可能属于建立基于事实的管理领域的一部分。Jeffrey Pfeffer和Robert Sutton(斯坦福大学作家、教授)一直以来说如果你想做对分析，你需要智慧的态度，在他们的定义中主要是基于最佳信息行动的意愿和不断怀疑已知的态度。正如Cade指出的，怀疑部分更容易被忽视。

另一件从录用角度让我大开眼界的事是，Rick Jacobs（宾夕法尼亚州立大学心理学教授）和他的同事的大量数据证明糟糕录用造成的损失通常是良好录用效益的三倍之多。我认为很多选择事实上更多的是剔除而不是优选，你常常会有误报和漏报，但引入你之后不得不替换有损公司文化的人选，则有更多风险。这是你可能想要更多强调的地方。

换个话题谈谈你们作为研究人员本身吧，你们尝试回答了哪些大问题？到目前为止，你所知的什么给了你们最大惊讶？

Cade Massey：我现在研究的一件事恰恰是关于这个话题——如何让人进一步接受分析。在一些任务中我们需要预测市场或价格的变化，或者是员工的表现。你或许有某种算法，在大多数情况下，你需要加入专业性判断。这无关人或者电脑——如果你能融合再好不过，人们仍然抵触电脑产生的结果——尤其当他们是相关领域专家的时候。我们正努力理解其中的心理。是什么导致人们抵触这些数据，我们能做些什么补救？

Adam Grant：我越来越感兴趣的是合作的问题，即我们不断地开会、回复邮件，相互依赖大大增强但没有人知道如何处理。人人都认为合作很好但面对合作又显得茫然。

我目前在和Rob Cross（弗吉尼亚大学商业学院管理学副教授）合作一个项目研究以下问题：如果你做一个组织的网络分析，你依靠谁提供关键知识、建议和专业技能？Rob发现有一定数量的人能写下你的名字，超过这个数字，你就面临超负荷的严重风险。未解答的问题是数量从什么地方开始减少，事实上人人指望你的专业指导是致命的。我感兴趣的是如何再分配帮助、分析和连接而不至于仅限于一两个人。

这真有趣。最后一个问题，如果考虑人事分析在如今认知领域的状态，最大的认知缺陷是什么？

Cade Massey：我会说效率意识——不只是运行更好地数据而是给组织带来改变。有不错的模式或者数字上的见解是一回事，转化为实际操作又是另一回事了。除非能得到良好的转化，模式再好也没多大用处。现在，人人热衷模式、数据和分析，但除非他们能真正说服并改造一个组织，否则并没有太大影响。

Adam Grant：依我看，人事分析最大的待解决问题是Cade目前的研究：为什么没有更多的组织这样做？你如何能使高级领导意识到有时难测的变量并不意味着你不应该引入更好地知识？需要怎样才能让领导意识到如果我们有更多的数据，我们的工作不会被代替，事实上人事分析提供工具给我们做出更好的判断。

文章原载于Knowledge@Wharton，题为《Can people analytics help firms manage people better?》Knowledge@Wharton保留所有权利，转载和翻译已获授权。