本文出自

大數據辦不到的精準招募

大數據辦不到的精準招募

2019年6月號

高科技工具不是萬靈丹,別搞砸聘雇大計

Your Approach to Hiring Is All Wrong
彼得.卡裴利 Peter Cappelli
瀏覽人數:3486
  • "高科技工具不是萬靈丹,別搞砸聘雇大計"

  • 字放大
  • 授課文章購買
    購買〈高科技工具不是萬靈丹,別搞砸聘雇大計〉文章
  • 個人收藏購買
    購買〈高科技工具不是萬靈丹,別搞砸聘雇大計〉PDF檔
    下載點數 10
外包和演算法不會幫你找到需要的人才。

企業的人才招募從來不曾像現在那麼熱絡,相關支出也從未像現在這麼多。而他們的招募作業,也從未這麼糟。

二戰後的大部分時期,大企業的招募方式大致如下:人力資源專家做詳細的工作分析,以確定這份工作需要完成哪些任務,以及優秀的求職者應具備哪些特質。接下來,他們做工作評估,以判斷這份工作適合納入組織圖的哪個部分,以及應支付多少薪資(尤其是與其他工作相比)。接著,他們刊登徵才廣告,吸引應徵者投遞履歷。接下來的工作是篩選眾多的求職者,包括技能測試、資歷查核,或許還有性格和智商測驗,以及廣泛的面談,以便更加了解求職者的為人處事。威廉.懷特(William H. Whyte)在《組織人》(The Organization Man)這本書中寫道,這個流程會持續約一週才確認中選的求職者。絕大多數的非基層職缺,是由內部員工升任。

如今的徵才方式截然不同。例如,美國的人口普查資料顯示,去年換工作的人大多沒有主動找工作,通常是有人來挖角。公司想盡可能地吸引許多求職者來加入他們的人才招募「漏斗」,尤其是不打算換工作的「被動求職者」。雇主常為不存在的職缺刊登求才廣告,希望找到日後可能有用或適合不同情境的人才。

如今,負責招募和雇用的職能部門都已失去重要功能。光輝國際(Korn Ferry)的研究顯示,許多美國公司(約40%)把大部分的招募流程外包,甚至全部外包,交給任仕達(Randstad)、萬寶華(Manpower)、藝珂(Adecco)等大家熟悉的人力公司。這些公司又轉給分包商(通常位於印度和菲律賓)來執行。這些分包商上LinkedIn和社群媒體搜尋潛在的應徵者。他們有時會直接聯繫那些人,看能不能說服那些人申請某個職位,並協商他們願意接受的薪資(這些招募人員若能壓低薪資水準,即可獲得獎金。)例如,為了招募程式設計師,那些分包商會去查看程式設計師可能造訪的網站,從網路cookie和其他的使用者追蹤指標來追蹤他們的「數位廢氣」資料(digital exhaust),以辨識他們的身分,接著再去查看他們的簡歷。

在那些仍然自行招募人才的公司裡,負責填補職缺的主管大多需要自行弄清楚那些職位需要什麼,以及徵才廣告該寫什麼。收到應徵履歷時(通常是電子版),求職者追蹤軟體會用徵才經理想要的關鍵字,來過濾履歷內容。接著,招募流程就進了「西部荒野」,那裡有一群供應商提供許多名稱聽起來很聰明的工具,宣稱可以預測誰是最適合的人選。他們使用的工具包括語音辨識、肢體語言、社群媒體上的線索,尤其是機器學習演算法(只差沒有使用茶葉來占卜)。現在有大量的出版品,專門談這些供應商做的事情。

這些新做法的一個大問題是,我們不知道它們是否真的能找出最令人滿意的人選。僅三分之一的美國公司表示,他們會追蹤自己的人才招募方法,是否真的找到了優秀的員工;其中很少公司仔細地追蹤,而且只有很少數公司進一步追蹤平均招募每一位新員工所花的成本,以及招募所花時間。設想一下,如果執行長問你,某場廣告宣傳活動辦得如何,你卻回答:「我們知道那場活動所花的時間和成本,但我們沒有注意銷量是否增加。」

在最近一次世界大型企業聯合會(Conference Board)的年度調查中,人才招募仍是執行長最關切的議題,也是所有高階主管最關注的事情。PwC的2017年執行長調查顯示,執行長認為人才和技能短缺是公司面臨的最大威脅。雇主也在人才招募上花了大量經費;美國人力資源管理協會(Society for Human Resource Management)估計,在美國平均每個職務的招募成本是4,129美元,而管理職的招募成本是這個金額的好幾倍。而美國每年需要填補的職缺多達6,600萬個。公司花在人力資源供應商的費用高達兩百億美元,其中大部分是用於招募。

為什麼雇主在這件如此重要的事情上花了那麼多錢,卻如此不清楚它的成效?

問題出在哪裡?
三個簡單方案,解決低留任率問題

調查一再發現,雇主抱怨人才招募很難。原因可能很多,例如他們已經變得對應徵者很挑剔,尤其是經濟大衰退期間勞力市場寬鬆的時候。但是,他們招募的人才顯然比現代史上任何時期都多出許多,原因有兩個。

首先,現在的職缺往往是從外部招募人才,而不是由內部升任。在終身雇用的時代(二戰結束到1970年代),企業約90%的職缺是以升遷和橫向調職來補足。如今這個比率降至三分之一,甚至更少。從外部招募人才時,公司不需要支付訓練及培育員工的費用。1980年代初期出現企業重組浪潮以來,從外面找到有經驗的人才比較容易。如今只有28%的人力招募領導人表示,內部人才是填補職缺的重要來源,這大概是因為內部培育較少,明確的職涯晉升階梯也比較少。

內部晉升減少,意味著招募工作不再偏重基層職位和應屆畢業生。(如果你對此感到懷疑,可以點進任一家公司網站的「職涯」連結,尋找不需要工作經驗的職缺。)現在,公司必須擅長招募各層級的員工,因為他們想要招募的應徵者,是已經有工作經驗的人。這些人不需要訓練,因此也許立刻就能有所貢獻,但尋找這種人才也更難得多。

人才招募很難的第二個原因是,留住人才變得更難了。彼此競爭的公司互相挖角,所以必須不斷地遞補職缺。美國勞工統計局的資料顯示,95%的人才招募是為了補足既有的職位。這些職缺大多是自願離職而空出來的。LinkedIn的資料顯示,員工考慮跳槽的最常見原因是職涯發展,而這必然和雇主沒有用內部升遷來遞補職缺有關。

因此,多數招募的根本原因是員工留任率太低。以下是一些簡單的解決方法:

追蹤由內部人才遞補職缺的比率。有句商業格言說:「有衡量,就有管理。」但公司似乎沒有把這句格言應用在人才招募上。大多數公司得知職缺很少由內部員工遞補時,都感到很驚訝,懷疑自家員工是否真的無法勝任其他更重要的職位?

要求所有職缺都要對內公告。在網路公司熱潮時期,企業界設立了「內部徵才板」,好讓大家更容易在目前任職的公司內找到新工作,以降低員工流動率。公司甚至不讓主管知道,部屬是否打算在公司內部調職,以免主管阻撓那名部屬調動,導致部屬離職。但是,經濟大衰退時期員工不主動辭職,於是許多公司回歸舊模式,讓主管能夠阻止部屬在內部調動。康乃爾大學的凱勒(JR Keller)發現,讓主管用他屬意的人選來遞補職缺,他最終雇用的員工,表現不如公開職缺讓大家來應徵所挑選的員工。這個現象的一般解釋是,很少企業真正知道自己擁有什麼人才和能力。

了解從外部招募人才的成本。我的同事馬修.比德維爾(Matthew Bidwell)發現,從外部招募人才需要花費時間和精力,而且外來人員需要三年的時間,表現才足以媲美做同樣工作的內部調任人員,但是,內部人員需要花七年的時間,薪資才能提高到外來人員的相同水準。此外,外來人才也會導致既有的員工花時間和精力去其他的地方找工作。這會破壞企業文化,而且也讓必須協助外來人員了解公司如何運作的既有員工,增加負擔。

以上的說法,並不是主張對外招募人才一定是差勁的想法。但除非你的公司是矽谷的高成長企業,正以驚人的速度增添新職位,否則如果你公司的大多數職缺都是由外部人才來遞補,你就應該認真檢討相關問題。

另一種處理留任率的方法(這方法可能會令有些人感到心裡毛毛的),是想辦法判斷誰想離職,然後提早介入挽留。Jobvite之類的供應商,會上社群媒體和公開網站搜尋相關線索,例如看LinkedIn上的個人資料更新。衡量「離職風險」,是自行進行先進人資分析的公司最常見的目標之一。這讓人想起以前那段有徵才板的歲月。那時雇主會想辦法找出誰在投履歷,然後根據領導人的心情,來決定要懲罰還是善待那些員工。

企業是否應該查看社群媒體上那些和招募或雇用行為有關的內容,這是一個很有挑戰性的道德問題。一方面,那些資訊本質上是公開的,可能會透露相關的資訊。另一方面,那有侵犯隱私的疑慮,企業通常不會先徵得應徵者的許可後才查看他的資訊。雇用私人偵探跟蹤應徵者,也可以收集到與招募有關的公開資訊,但多數人會認為這是侵犯隱私,無法接受。

招募流程大改造
不能盡信新科技,面談時別即興發問

我們把焦點轉向招募流程時,發現雇主往往見樹不見林:太著重在新科技及降低成本,反而忽略了最終目標:盡可能招募最好的人才。以下是改進招募流程的方法:

雇主太著重在新科技及降低成本,反而忽略了最終目標:盡可能招募最好的人才。

別開出「假職缺」。在公司的網站上發布職缺,並不需要任何成本,Indeed和其他求才求職線上公司會收集那些資料,並推送給世界各地的潛在求職者。所以,其中若有些職位根本不存在,也就不足為奇了。雇主可能只是想要吸引人才上門罷了。(「我們藉此看看外面有沒有真正厲害的人才,有的話,我們再為他設個職位。」)有些職缺明明已經補了人,但徵才廣告仍持續掛在網站上,以便繼續吸引應徵者,為未來的職缺累積人選,或者只是因為撤下廣告比保留那些廣告更費事。不擇手段的招募業者有時會刻意貼出徵才廣告,以吸引求職者投履歷,再拿那些履歷向客戶推銷。這些假職缺使勞力市場看起來比實際更缺人,因此對經濟政策制定者及沮喪的求職者來說,都是問題。職缺一旦補了人,公司就應該撤下徵才廣告。

為工作設計符合實際的要求條件。弄清楚某個職位的要求條件,以及求職者應具備哪些特質,現在變成了更大的挑戰,因為很多公司裁減了內部的招募人員,他們的部分職責是否決徵才主管的願望清單(「那份工作不需要十年工作經驗」或「具備那些條件的人,不會願意接受你開出的薪資水準」)。我以前的研究發現,公司開出一堆職務要求條件,納入求職者追蹤軟體中,這些軟體只根據「是否」具備那些條件來篩選履歷。(是,內容含有關鍵字;否,沒有關鍵字),結果發現沒有應徵者符合所有的標準。公司裁減那些有招募專長的招募人員,把招募流程交給徵才主管執行,這正是省小錢、花大錢的典型例子。

重新思考你把焦點放在被動求職者是否合理。現在招募流程的第一步,通常是尋找有經驗、但不打算跳槽的人。這樣做是基於一種觀念:想離職的人可能有什麼問題。(2015年LinkedIn做了一項調查,收到超過二萬名的人資專業人員回覆,其中86%表示,他們內部要徵才的單位「主要」或「一定程度上」是鎖定被動的求職者。我猜想這個數字後來又提升了。)招募人員知道,絕大多數的人樂於為了更好的薪資而換工作:員工意見調查發現,僅15%受訪者不樂於換工作。正如經濟學家哈洛德.丹賽茲(Harold Demsetz)的例子,與他任教大學是對手的另一所大學問他,是否滿意現在的教職,他回答:「你何不讓我不滿意。」

上述那個LinkedIn調查所提出的有趣證據顯示,儘管自認為「被動」的求職者和「主動」的求職者不同,但他們的相異之處跟我們想的不一樣。讓被 求職者願意換工作的首要因素,是薪資更高。而主動求職者想要換工作的首要因素,是尋求更好的工作及職涯機會。相較於被動求職者,有更多的主動求職者表示對現有的工作很有熱情,致力改進自己的技能,對目前的工作也相當滿意。他們之所以想換工作,似乎是因為有很大的企圖心,而不是為了較高的薪水。

職涯道路公司(CareerXRoads)的格里.克里斯平(Gerry Crispin)和克里斯.霍伊特(Chris Hoyt)的研究顯示,雇主把太高比率的人才招募預算,花在那些鎖定被動求職者的獵才業者,但平均而言,他們個別鎖定的那些人選只填補了11%的職缺。據我所知,沒有證據顯示被動求職者會是更好的員工,更何況這種流程並不具有成本效益。如果你鎖定被動求職者,應仔細想想你因此獲得什麼人選。更好的做法是,查看公司資料以找出答案。

了解員工推薦的限制。企業最常用的招募管道是員工推薦。LinkedIn的研究顯示,高達48%的新進員工是這樣來的。這看似一種省錢的方式,但真的能找到比較好的員工嗎?許多雇主覺得可以。不過,實際效果難以得知,因為他們並未追蹤成效。艾密利奧.卡斯提拉(Emilio Castilla)和同仁的研究顯示情況正好相反:他們發現,員工推薦的人選比較優異的情況,是因為推薦人會照顧他們推薦的對象,幫他們熟悉環境。如果推薦人在他推薦的人員到職前離職,那個新人的表現和其他不是靠推薦進來的新人差不多。正因如此,在新人到職六個月後才發放獎金給推薦他的人(如果推薦人還在職的話),比較合理。

當然,員工推薦的一個缺點,是造成員工的同質性很高,因為我們認識的人往往和我們很相似。對於重視組織多元性的公司來說,這一點特別重要,因為在美國法律之下,招募是讓職場增添多元性的唯一管道。美國最高法院已經裁定,即使是從條件齊鼓相當的應徵者當中挑選,也不能把人口統計指標當成篩選標準。

衡量成效。很少雇主知道,哪個招募管道以最低的成本招募到最好的人選,因為他們不追蹤結果。塔塔集團(Tata)是例外:長久以來它一直在做我倡導的事。例如,在校園徵才方面,它會計算哪所學校畢業的員工表現最好、任職最久、起薪最低。其他的雇主應該效法,並關注招募管道和員工績效,以確定哪些管道的招募成效最好。

說服較少人來應徵。人才招募業非常注意「漏斗」,透過這個漏斗式流程,看到公司職缺公告的人成為應徵者,接受面談,最後獲得錄取。

一般普遍認為,美國現在的就業市場極為緊俏,供不應求,但其實大多數工作仍有許多人應徵。招募和聘雇顧問和相關業者估計,約2%的應徵者收到錄用通知。遺憾的是,企業想要改善聘雇做法(目標幾乎都是追求更快、更便宜的方式),主要採取的改善方式,一向都是設法吸引更多的應徵者進入那個漏斗。雇主的做法主要是透過行銷,想辦法宣傳該公司是很好的工作場所。至於這樣做是一種吸引更優秀應徵者的誤導做法,或者只是為了讓公司感覺更受青睞,那就不得而知了。

更好的做法是反過來做:吸引較少、但更符合條件的求職者前來應徵,以改善雇用成效。原因如下:企業處理每個求職者都需要成本,尤其現在的勞動力市場上,有些求職者會突然消失,應徵流程進行到一半就不再參加。此外,每一位求職者都可能讓公司面臨法律風險,因為公司對求職者有義務(例如不能歧視),就像公司對員工有義務一樣。而且,用龐大的漏斗聚集了大量求職者,就表示有許多求職者不適合那份工作或公司,因此雇主必須仰賴聘雇流程的下一步,也就是挑選,來淘汰他們。後面我們會看到,雇主並不擅長挑選人才。

人在求職的時候,可能不會完全誠實說出自己的技能或興趣(因為希望順利錄取),而雇主發現真相的能力又很有限。一個世代以前,心理學家約翰.瓦努斯(John Wanous)建議,先讓求職者實際預覽他們所應徵職位的狀況。如今這依然是務實的做法,可以避免求職者日後對工作感到不滿。並不令人意外的是,Google以遊戲化的方式來執行這一點:他們讓求職者透過遊戲版的工作情境,來了解實際工作狀況。萬豪(Marriott)也做過相同的事,甚至應用在基層員工的招募上。這款遊戲名為「我的萬豪旅館」(My Marriott Hotel),鎖定開發中國家的年輕人,他們可能沒什麼旅館經驗。這款遊戲讓他們看到旅館工作的內容,而如果求職者在遊戲中獲得高分,遊戲會指引他們去招募網站。不過,對任何公司的關鍵都在於,預覽時除了顯示工作的樂趣以外,也清楚顯示工作的哪些部分困難且有挑戰性,以免那些不符合條件的人來應徵。

公司應該讓求職者很容易了解公司和工作內容,然而,若是為了填滿招募漏斗而把應徵流程變得很簡單,並不合理。在網路公司熱潮時期,德州儀器公司(Texas Instruments)聰明地推出一項就業前測試,讓求職者在應徵前先看到自己的分數。如果他們的分數不夠高,不足以讓公司認真看待他們的應徵,他們通常就不會應徵了,公司可以因此省下處理這些人應徵的成本。

如果公司的目標,是以合乎成本效益的方式來招募更好的員工,那麼先嚇跑不適合的求職者,會比吸引更多求職者進入招募漏斗更重要。

測試應徵者的標準技能。至少從一次大戰結束後,就一直有嚴謹的研究在探究,應如何判斷該錄取哪個應徵者,也就是想知道,哪些因素可用來預測誰將會是優秀員工。從事這方面研究的人事心理學家,已得知不少可預測優秀員工的方法,但是現代的組織早已忘了那些研究結果,例如,大學成績、連續進行非結構化的面談(從一個辦公室到另一個辦公室去面談),都不是好的預測指標,但過去的績效是良好的預測指標。

既然充分收集外部求職者過去的績效資料可能很難(如果真的可能收集到),還有哪些預測因素是不錯的指標?連專家對此也很少有共識。主要原因是,一個典型的職位往往涉及許多任務和面向,而不同的任務需要用不同的因素來預測。

不過,一般普遍認為,進行測試以了解個人是否擁有標準技能,應該就是我們能用的最好方法了。這個求職者會說法語嗎?她能編寫簡單的程式嗎?諸如此類。但是光進行測試還不夠。經濟學家米契爾.霍夫曼(Mitchell Hoffman)、麗莎.坎恩(Lisa B. Kahn)、丹妮爾.李(Danielle Li)發現,即使公司進行那些測試,徵才主管往往也會略而不看,而如果他們不參考那些測試,聘用的人就會更糟。心理學家內森.康賽爾(Nathan Kuncel)和同仁發現,即使徵才主管使用客觀的標準和測試,但他們把自認應有的權重和判斷運用在那些標準上,導致他們挑選到的職務候選人,比使用標準公式挑選的人還糟。不過,僅40%的雇主會實施技能或一般能力測驗(包括智力測驗)。那麼,不做技能測驗的雇主,會做哪些事情?74%是做藥物測試,包括是否吸大麻。即使是在那些允許娛樂助興使用大麻的州裡,雇主也會做這種測試。

小心那些運用高科技的供應商。在欠缺測試的領域裡,已出現一群新創業者,他們有些本身就是資料科學家,有些則是與資料科學家合作。他們為招募流程帶來一種全新的方法,但往往不太了解招募的實際運作情況。HRExaminer專注在人資技術相關主題的電子報,該公司的約翰.孫瑟(John Sumser)估計,如今企業每天都會收到這類供應商的推銷資訊,平均一天收到五至七份,內容幾乎都和人才招募有關。這類供應商使用資料科學來處理人資議題,提供各種聽起來很酷的評估方法,例如以電腦遊戲的分數來預測誰將會是好員工。我們不知道這些方法是否真的可以招募到更好的員工,因為企業很少拿實際的工作績效,來驗證這些工具的效果。除此之外,這類評估也催生了另一波對應的供應商,他們幫助求職者學習如何在那些評估中得高分。

例如,駿懋銀行(Lloyds Bank)開發了一套使用虛擬實境的工具,來評估求職者的潛力,而JobTestPrep提供服務,教求職者如何在這套評估工具裡拿到好成績。尤其是資訊科技和技術類的工作,在技能測驗、甚至視訊面談中作弊的情況(由鏡頭外的朋友提供幫助)特別令人擔憂,所以,eTeki和其他的專業供應商協助雇主即時判斷誰在作弊。

改造面談流程。Glassdoor的研究顯示,自2009年以來,雇主花在面談上的時間幾乎多了一倍。目前我們無法得知,這些增加的時間當中,有多少是因為安排面談所造成的延遲,但至少可以稍微解釋,為什麼現在填補職缺需要更長的時間。面談可能是最難適當運用的技巧,因為面談主管應該只問那些可以預測好員工的問題(主要是與職缺的任務內容相關的過去行為或績效),而且應該對不同的應徵者都問同樣的問題。如果只是即興發問,想到什麼就問什麼,這種面談幾乎毫無用處。

更重要的是,面談是最容易產生偏見的場合,因為面談主管常臨時決定要問什麼,而且憑當下的直覺來解讀求職者的回答。我們都認識這樣的主管:非常篤定自己提的某個問題,可以預測優秀的求職者(「如果你被困在荒島上……」)。社會學家蘿倫.李維拉(Lauren Rivera)檢視了一些精英職位的面談(例如一些專業服務公司的職位),結果顯示,嗜好(尤其是與富人有關的嗜好)是重要的挑選標準。

洛克菲勒基金會(Rockefeller Foundation)的研究顯示,面談對於評估「是否契合我們的文化」最為重要,這是雇主認為最重要的招募標準。而這也是最難衡量的特性之一,因為很少組織對自己的文化有精確且一致的看法,即使他們有,也不是很容易理解哪些特性代表「契合度最佳」。例如,若是應徵者曾參與兄弟會,那麼這是反映他有與人共事的經歷,或是有高人一等的優越感,還是他對女性的態度不佳?這應該是完全無關緊要的訊息嗎?讓沒有經驗或未受過訓練的人做這種判斷,只會招募到不好的員工,當然也會導致歧視的行為。雇主應該認真思考公司的面談規定是否合理,盡量不要再增加更多主管參與面談。

面談是最容易產生偏見的場合,因為面談主管常臨時決定要什麼,而且憑當下的直覺來解讀求職者的回答。

了解機器學習模型的優缺點。文化契合度,是新供應商蜂擁投入的另一個領域。他們通常是從現有的員工收集資料,制定一個機器學習模型來預測最佳員工的屬性,然後使用這個模型來篩選出有相同屬性的應徵者。

這樣做,跟那個新產業的許多方面一樣,乍聽之下很有道理,但仔細思考之後就發現問題重重。若根據過去的最佳員工來設定標準,那些演算法幾乎一定會把「白人」和「男性」當成關鍵變數。即使禁止使用這個類型的屬性,那些演算法還是會出現與白人男性有關的其他屬性,例如打橄欖球。

機器學習模型確實可能找出重要、但以前沒考慮過的關係。招募研究向來由心理學家主導,他們一直很熱中研究與他們興趣相關的屬性(例如性格),而不是問更廣泛的問題:「什麼因素可以用來辨識潛在的好員工?」他們的研究結果常掩蓋了一個事實:若要用來預測好員工,它們的預測能力往往很微弱,尤其是涉及很多因素的時候。相反的,機器學習可以產生預測效力很好的因素。勞動力分析的先驅Evolv(現在隸屬於Cornerstone OnDemand公司),進行研究之後發現,求職者預期的通勤距離,能夠相當準確地預測員工的流動率。但心理學模型不會想要問這種問題(即使這個問題本身也有疑慮。)

關於如何挑選人才,我們的建議很簡單:進行技能測試。要求評估工具的供應商提供證據,證明那些測試確實可以預測誰會是好員工。公司應該減少面談次數,並讓面談內容更一致。

未來的招募之道
必須有辦法衡量員工是不是最好的

如果無法判斷你挑選的求職者是否會成為好員工,你在人才招募方面就不可能進步。如果你不知道未來的目的地,那麼選任何一條路都沒有差別。你必須要有辦法衡量哪些員工是最好的。

為什麼公司就是不明白這些道理呢?受訪的雇主表示,他們之所以不檢討招募做法是否真的招到好員工,主要是因為衡量員工的績效很難。這無疑是落實「凡事追完美,就永遠不會開始去做」的最好例子。績效的某些層面並不難衡量:員工有辭職嗎?他們有曠職嗎?幾乎所有的雇主都會做績效評估。如果你不相信那些評估,就嘗試更簡單的做法。你可以問主管:「你是否後悔雇用這個人?重新選擇的話,你還會雇用他嗎?」

公司若是不檢討,招募方式預測所雇員工素質的成效如何,就欠缺了現代企業的一大重要面向。

避免歧視

了解你的招募做法是否能找到好的人員,不僅是良好管理的基礎,也是避免應徵者提出不利指控及宣稱歧視的唯一辦法。除了四十歲以下、沒有殘疾或工作相關健康問題的白人男性以外,美國聯邦和州法律都會特別保護勞工,防止企業的人才招募做法對他們造成不利的影響。在實務上這就表示,如果某特定群體的成員獲得錄取或雇用的機率較低,雇主必須證明招募流程沒有歧視他們。

企業避免這種不利指控的唯一方法,是證明其招募做法是合理有效的,也就是說,它們是以有意義及統計顯著的方式來預測誰會是好員工,而且其他方法無法做到既有同樣有效的預測能力,又可減少對應徵者的不利影響。這種分析,必須使用雇主自己的應徵者和新聘人員的資料來進行。銷售測試工具的供應商,即使有證據可以證明那套工具在其他的情境中沒有歧視問題,仍是不夠的。

(洪慧芳譯自“Your Approach to Hiring Is All Wrong,” HBR, May-June 2019)



彼得.卡裴利 Peter Cappelli

華頓商學院(Wharon School)管理學講座教授,也是該校人力資源中心主任。他最近的著作是《大學教育值得投資嗎?》(Will College Pay Off? A Guide to the Most Important Financial Decision You'll Ever Make)。


本篇文章主題人力資源管理